正态分布方差齐性.PPT

例 某地研究2-7岁急性白血病患儿的血小板数与出血症 状程度之间的相关性，结果如下表，试进行秩相关分析。 参数α和β一般通过样本数据来估计，回归 参数估计方法为最小二乘法。 回归系数b和回归截距a计算公式： 1. 检验假设 H0: β=0 ；H1: β≠0； 检验水准α=0.05 2. 检验统计量为 3.确定P值表并做出推断结论 4. 总体回归系数β的(1-α)置信区间为： 总体回归系数β的假设检验（t检验） 多重线性回归与相关 多重回归与多重相关是研究一个因变量和 多个自变量之间线性关系的统计学分析方法。 多重线性回归的数学模型： 由样本估计得多重线性回归方程： 在医学研究中, 经常要分析某种结果的产生与哪些因 素有关。例如：生存与死亡, 发病与未发病, 阴性与阳性 等结果的产生可能与病人的年龄、性别、生活习惯、体 质、遗传等许多因素有关。如何找出其中哪些因素对结 果的产生有显著性影响。 Logistic回归分析正是解决这类问题的多元分析方法。 Logistic回归分析，是分析可能对疾病产生作用的一 些因素（自变量），对疾病（因变量）发生的影响。 Logistic回归属于概率型回归，因此，可用来分析某 类事件发生的概率与变量之间的联系。 Logistic回归分析 条件Logistic回归与非条件Logistic回归，两者根本的差别在于：构造回归模型时，前者使用了条件概率。 条件 Logistic回归主要用于配对或配比资料的分析；而非条件Logistic回归主要用于成组设计的资料分析。 Logistic回归的类型 非条件logistic回归模型的基本结构 假设某疾病发生率与影响因素的关系，表述如下： 设影响因素与P和(1-P)比值的对数成线性关系，即 在数学中，上式右端称为logistic函数，所以将上式称为logistic回归模型。 由上式解出P，得到P直接与X的关系式： 如果有p个自变量，可以将βX看做是p个自变 量的线性组合β0+β1X1+…+βpXp，于是，多变 量的logistic回归模型为： Logistic回归函数的图像 　　以概率P(原始应变量）为纵轴，自变量 X 为横轴，可绘制出一条S形曲线。回归参数的正负符号与绝对值大小，分别决定了S形曲线的形状与方向。 β绝对值越大，P越靠近0或1。 回归模型和回归系数的假设检验 回归模型和系数假设检验的目的： 检验整个模型是否有统计学意义以及单个总体回归 系数是否为零。 常用假设检验统计量： 1. 似然比检验： 常用于比较两个模型的拟合效果，模型1比模型2含自 变量少。 似然比检验统计量：G=﹣2㏑L﹣ (﹣2㏑L’) 反映模 型2较模型1拟合优度提高的程度。大样本时，在H0成立 下，G服从χ2分布，自由度为增加变量的个数。 3. 优势比的区间估计 总体回归系数β的（1-α）置信区间为: 2. Wald检验： 常用于回归系数的假设检验。 在研究医院抢救急性心肌梗塞(AMI)患者能否成功的危险因素调查中，某医院收集了5年中该院所有的AMI患者的抢救病史，共200例。其中P=0表示抢救成功，P=1表示抢救未成功；X1=1表示抢救前已发生休克， X1=0表示抢救前未发生休克； X2=1 表示抢救前有心衰 ， X2=0表示抢救前无心衰； X3=1 表示抢救时超过24h， X3=0表示抢救时未超过24h。 分析影响抢救成功率的因素，为制定有针对性的措施提供依据，并建立预测抢救成率的模型。 同时考虑三个变量X1、X2、X3的logistic回归分析结果，由此结果得到相应的logistic回归表达式为： 其中常数项， =﹣2.0858表示在其它自变量均为零时死亡优势的对数值； =0.1242是无休克、无心衰和抢救及时组死亡的优势。 表 参数估计与Wald检验结果 1. 当logistic回归系数为正值时： 大于1，说明该因素是危险因素； 2.当logistic回归系数为负值时： 小于1，该因素是保护因素； 3. 当logistic回归系数为零时： 等于1，该因素不起作用。 logistic回归系数的意义 建立的logistic模型那个可用于预测。如：某AMI患者在有AMI症状后5h送到医院，并未发生休克