卫生统计学稳直线相关与回归.ppt

前言 单变量统计(univariate statistics)：描述某一变量的统计特征或比较该变量的组间差别，如t、u、F检验 双变量统计(bivariate statistics)：研究两个变量之间的关系如何。 糖尿病人的血糖与胰岛素水平 年龄与高血压 抗菌药的浓度与琼脂糖抑菌斑的直径 3.直线回归的区间估计 直线回归与相关应用的注意事项 根据专业知识确定自变量和应变量； 不能把毫无关联的两种现象勉强作回归或相关； 在研究两变量之间的密切程度时，不但要求总体相关系数ρ≠0，而且要求样本的r不能太小，否则即使假设检验认为两变量之间有直线相关关系，但由于r太小，而使得这种关系变得毫无意义 |r|≥0.70 高度相关，0.4≤|r|0.70 中度相关， |r|0.4 低度相关 要绘制散点图 直线回归用于预测时，其适用范围一般不超过样本中自变量的取值范围 第五节 曲线拟合 医学现象中并非所有的两变量间关系都表现为前面所述的直线形式，其较为典型的是服药后血药浓度－时间曲线或毒理学动物实验中动物死亡率与给药剂量的关系就非直线形式。当散点图中应变量Y和自变量X间表现出非线性趋势时，可以通过曲线拟合（curve fitting）方法来刻画两变量间数量上的依存关系。 一、曲线拟合的基本方法 据专业知识及过去经验（或文献）选择曲线类型。 算术格纸、半对数格纸、双对数格纸等，将实测数据制成点图。目前已使用不多。 如果既无前人经验作参考，又无合适的格纸可作散点图趋势分析，则可先在普通格纸上绘点图，再根据各点分布趋势用试配法来选择曲线类型。 二、曲线拟合的一般步骤 画散点图，配适当的曲线方程 选用适当的方法求曲线方程的参数（一般都用统计软件计算） 例题10－13 模型的拟合优度指标 决定系数 调整的决定系数 残差均方平方根（MSE, 小） 0 r 1 -1 r 0 ． r = 0 正相关 负相关 零相关 r = -1 完全相关 零相关 完全相关 零相关 零相关 r = 1 . ． r = 0 ． r = 0 ． r = 0 二、相关系数的意义 相关系数（correlation coefficient）又称为积差相关系数（coefficient of product－moment correlation） 它是说明具有直线关系的两变量间相关关系的密切程度与相关方向的指标。相关系数r没有单位，－1≤r≤1 。 计算r的公式为： 三、相关系数的计算 例10－8 就例10－1资料试计算胎儿股骨径长度和胎儿体重的相关系数。 由例10－1中已计算出的lXX＝2.79、 lYY＝3460690、lXY＝3036.93 按公式(10－20)计算 四、相关系数的假设检验 H0： ?＝0 H1： ?≠0 α＝0.05 ?＝n－2 例10－9 就例10－8所得r值，检验胎儿股骨径长度和胎儿体重间是否有直线相关关系。 建立假设检验： H0：ρ＝0 H1：ρ≠0 ?＝0.05 计算检验统计量 ?＝n－2＝8 查t界值表，得P0.05，拒绝H0。 相关：相关关系 1.区别 （1）资料要求不同 回归：Ｉ型（Y正态分布）、II型都可以。 相关：II型资料（双变量正态分布） （2）应用情况不同 回归：依存关系 五、直线回归与相关的区别和联系 （1） 方向一致 （2）假设检验等价 （3）用回归解释相关 （4）ｒ的平方称为决定系数（coefficient of determination）：反映了Y的总变异中由X变量可以解释的部分。 2.联系 （3）特别是有率或构成比等相对数作变量，或本来就是等级资料。 （1）不服从双变量正态分布； （2）总体分布类型未知； 第三节 等级相关 总体等级相关系数的假设检验 H0：ρs＝0 H1：ρs≠0，或单侧ρs0(或ρs0) 相关系数rs的公式为： 当n50时 直接查rs界值表。 当n50时 相同秩次较多时，rs的校正： * * 第十章 直线回归与相关 本章只介绍两个变量间的直线关系的分析 1.回归关系：描述变量间的依存关系，即数量关系， 2.相关关系：描述变量间的相互关系，即互依关系 一、直线回归分析的概念 I型回归：一为选定变量，另一为呈正态分布的随机变量 II型回归：为双变量正态分布的随机变量 第一节 直线回归 (Linear regression) 直线回归：在直角坐标系中绘制散点图，所有散点并不都在一条直线上，但有一种直线趋势 回归方程:区别与线性函数, 线性函数要求变量间有严格的函数关系── 一一对应。 回归方程式： 回归系数b（coefficient of regression）: 为回归直