10简单回归分析.pptVIP

生物医学研究的统计方法 第10章  第一节 简单线形回归 第二节 线形回归的应用 学习目标 教 学 重 点 线性回归模型的前提假设 线性回归分析的基本步骤 回归方程的解释 为研究大气污染一氧化氮（NO）的浓度是否受到汽车流量、气候状况等因素的影响，选择24个工业水平相近的一个交通点，统计单位时间过往的汽车数（千辆），同时在低空相同高度测定了该时间段平均气温（℃）、空气湿度（％） 、风速（m/s）以及空气中一氧化氮（NO）的浓度（× ），数据如表10-1所示。 一、回归分析的基本概念 回归（Regression） 函数关系：它反映着现象之间严格的数量化依存关系，也称确定性的依存关系。如正方形的面积和边长的关系。 回归关系：变量之间存在着不确定、不严格的依存关系，即对于一个变量的某个数值，可以有另一变量的若干数值与之相对应 一元线性回归模型 描述y 如何依赖于x 和误差项? 的方程称为回归模型 一元线性回归模型可表示为 y 是 x 的线性函数(部分)加上误差项 线性部分反映了由于 x 的变化而引起的 y 的变化 误差项 ? 是随机变量，反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响，是不能由 x 和 y 之间的线性关系所解释的变异性 ?0 和 ?1 称为模型的参数 二、简单线性回归分析 回归模型的基本假设  线性（linear)指反应变量Y的总体平均值与自变量X呈线性关系。 独立（independent)指任意两个观察值互相独立。 正态 (normal)假定线性模型的误差项服从正态分布 。 等方差（equal variance)是指在自变量X取值范围内，不论X取什么值，Y都具有相同的方差。 （一）绘制散点图 参数β的意义：若自变量X增加1个单位，反应变量Y的平均值便增加β个单位。 β=0，说明Y与X之间并不存在线性关系； β≠0，说明Y与X之间存在线性关系。 理由：从β=0的总体抽得样本，计算出的回归系数b很可能不为零。 方法：回归系数的假设检验可通过t检验实现。 （四）回归方程的假设检验 目的：检验求得的回归方程在总体中是否成立； 方法：单因素方差分析。 SST是指没有利用X的信息时，Y观察值的变异； SSE反应回归方程未能解释的那部分变异； SSR反应回归方程解释的那部分变异。 决定系数(R2）= SSR/ SST，反应了Y的总变异中回归关系所能解释的百分比， R2越大，说明构建的回归方程越好。 （五）回归方程的解释  查F界值表，得P0.05,说明构建的回归方程具有统计学意义。 研究表明， 车流量和空气中NO浓度存在着线性依存关系：车流量每增加100辆（0.1千辆）,空气中NO浓度平均可能增加0.01584× 一、 总体回归线的95% 置信带 二、个体Y预测值的区间估计   二、个体Y预测值的区间估计 总体中，当XP为某一固定值时，个体Y值围绕着对应于XP值的总体均数波动，其分布的标准差按下式估计： 即  图5 空气中NO浓度（Y）与车流量（X）回归 线的95%置信带与Y个体值的95%预测带 直线回归方程的应用 （一）定量描述两变量之间的依存关系。 （二）利用回归方程进行预测。 （三）利用回归方程进行统计控制。 小结 相关分析是用来描述两变量的相关关系，当两变量满足双变量正态分布时，可以计算Pearson积差相关系数，如果有任何一个变量不满足正态分布或为等级资料，需计算Pearson等级相关系数。而回归分析是用来刻画两变量的依存关系，它要求资料满足LINE（线性、独立、正态和等方差），二者之间既有联系又有区别。 经拟合简单线性回归模型，t检验结果提示回归方程有非常显著的统计学意义。 结果提示，拟合效果非常好，故可认为： （1）男孩与女孩的平均身高随年龄线性递增，年龄每增长1岁，男孩与女孩身高分别平均增加5.27㎝，4.53㎝，男孩生长速度快于女孩的生长速度。 （2）依照回归方程预测该地男孩10.5、16.5、19和20岁的平均身高依次为139.12、170.77、183.96和189.23㎝，该地女孩10.5、16.5、19和20岁的平均身高依次为136.04、163.24、174.58和179.11㎝. 针对以上分析结果，请考虑： （1）分析过程是否符合回归分析的基本规范？ （2）回归模型能反映数据的变化规律吗？ （3）拟合结果和依据回归方程而进行的预测有问题吗？ （4）男孩生长速度快于女孩生长速度的推断是否有依据？ 案例辨析 未绘制散点图，盲目进行简单线性回归分析；若实际资料反映两