10-简单线性回归分析(研200531)(精).pptVIP

定量描述两变量之间的依存关系。 利用回归方程进行统计预测。 利用回归方程进行统计控制。 小 结 简单线性回归是指只包含一个自变量，且呈线性变化趋势的回归模型，用于描述因变量的总体均数与自变量之间的线性关系，即两变量间的依存变化关系。 简单线性回归的基本步骤： ①绘制散点图， ②在最小二乘法原则下建立线性回归方程，即估计回归系数与截距； ③对回归方程或回归系数进行假设检验； ④列出回归方程，绘制回归直线； ⑤统计解释及应用。 线性回归模型的适用条件为：线性、独立、正态和等方差，简称LINE。 决定系数反映了回归平方和在总平方和中所占的比例，常用来反映回归的实际效果。 线性回归常用于统计预测和统计控制。 当两变量变化趋势为非线性时，可考虑拟合非线性回归议程，常用的曲线类型包括指数曲线，多项式曲线、双典线和logistic曲线等。 注意线性相关与线性回归的区别与联系。 THANK YOU! 简单线性回归分析的注意事项： 1. 要注意实际意义； 2. 绘制散点图观察两变量的关系以及找出异常点； 3. 注意自变量和因变量的变化范围。 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Spearman秩相关系数。 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。 案例讨论 案例10-1：年龄与身高预测研究。 某地调查了4~18岁男孩与女孩身高，数据见下表，试描述男孩与女孩身高与年龄间的关系，并预测10.5岁、16.5岁、19岁与20岁男孩与女孩的身高。 表10-5 男孩身高对年龄的简单线性回归分析结果 0.0000 31.4798 0.1676 5.2748 age 0.0000 44.4839 1.8824 83.7363 constant P t 标准误 估计值 采用SPSS对身高与年龄进行回归分析，结果如下表所示。 0.0000 15.5290 0.2920 4.5340 age 0.0000 26.9611 3.2800 88.4326 constant P t 标准误 估计值 表12-6 女孩身高对年龄的简单线性回归分析结果 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；若实际资料反映两变量之间呈现某种曲线变化趋势，用简单线性回归方程去描述其变化规律就是不妥当的。 正确做法： 分析策略：作散点图，选择曲线类型，合理选择模型，统计预测。 （1）作散点图 由图可见，随着年龄的增加，身高也增加，但呈曲线变化趋势，15~16岁后，增加趋势逐渐趋于平缓。因此适合于拟合曲线回归方程。 （2）选择曲线类型，进行统计分析，几种曲线方程拟合结果如下。 结果摘要： （1）模型参数估计 Dependent Variable: 男孩身高 The independent variable is 年龄 （3）选择合理的模型，列出回归方程。 （4）统计预测。 思考题： 1. 应用直线回归和相关分析时应注意哪些问题？ 2. 简述线性回归分析与线性相关的区别与联系。 3. 举例说明如何利用回归方程进行统计预测和控制。 4. 回归分析时怎样确定因变量与自变量？ 回归方程的解释 b 的意义？ a 的意义？ 的意义 的意义？ 回归系数β的意义： 1.　由总体回归方程可知 μ Y∣X= α+ ? x， 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。 。 2.　由于 是 μ