医学统计学第五章--线性回归(1).pptVIP

英国遗传学家F·Galton 和他的学生K·Pearson测量了1078个父亲及其成年儿子的身高．x表示父亲的身高，y表示儿子的身高（单位为英寸）． 34 16.6 8.0 123 112 24 57 10.8 5.3 86 160 23 40 24.7 9.5 149 110 22 65 16.9 8.5 133 153 21 39 26.0 9.4 110 136 20 74 27.2 4.1 111 175 19 57 20.4 6.1 121 155 18 69 17.5 6.0 118 185 17 49 33.4 11.5 148 166 16 47 10.1 6.3 138 129 15 58 16.7 8.5 129 169 14 56 20.7 7.2 137 162 13 41 42.8 10.1 113 144 12 70 15.9 6.0 110 162 11 37 17.2 7.5 151 132 10 56 18.2 7.4 137 158 9 38 29.2 13.8 131 132 30 85 19.0 8.7 123 173 29 62 24.7 8.4 127 170 28 51 13.4 6.6 102 131 27 72 21.0 6.1 122 204 26 54 18.4 8.5 110 147 25 ? 实现步骤： x1:载脂蛋白AI; X2：载脂蛋白B；X3：载脂蛋白E X4：载脂蛋白C；y:胆固醇含量。 1. 将数据录入SPSS并整理加工 定义变量 输入数据 保存 2.正态性检验：Analyze | Descriptive Statistics | Explore(探索性） 3.Regression过程 菜单 “Analyze” | “Regression ” | “linear ”命令 将“y”选入 【Dependent框】； 将“x1、x2、x3、x4选入 【Independent(s) 框】中 在methods中选择 “stepwise”。 点击“Statistics”按钮 Enter 强迫进入 Stepwise 逐步回归 Remove 只出不进 Backward 向后剔除，只出不进 Forward 向前选择，只进不出 * * * 第五章 线性相关与线性回归分析 1. 相关分析原理 2. Bivariate过程 3. 回归分析原理 4. Regression过程 5.1 一元相关与回归 5.2 多元回归方程 例 测某地10名三岁儿童的体重X（kg）与体表面积Y （10－1m2）， 6.411 6.075 6.102 5.830 6.014 5.292 5.602 5.358 5.299 5.283 体表 16.0 15.2 14.9 14.4 13.7 13.1 12.3 12.0 11.8 11.0 体重 判断X和Y是否是线性相关的。 5.1 相关分析原理 1.直线相关： （1）两个变量均服从正态分布 总体相关系数: 样本相关系数: r绝对值愈接近1，两个变量间的线性相关越密切 r绝对值越接近0，两个变量间的线性相关越不密切 性质： Pearson简单相关分析 相关系数的检验 原假设 则: ( ) × （2）如果不服从正态分布，则应考虑变量变换，或采用 等级相关来分析。 Spearman等级相关 Kendall 等级相关 注：列联表可用“Crosstabs 过程 ”中的“Contingency Coefficient” 计算Pearson列联相关系数 2.曲线相关：两变量存在相关趋势，但非线性，而是呈某种可能的 曲线趋势。一般都先将变量变换，再将趋势变换为直 线来分析，或者采用曲线回归方法来分析。 5.2 Bivariate过程 例 某医生在不同保存时间（天）的条件下，测得白蛋白与 白球蛋白的比值，判断保存时间与白球蛋白比值是否相关？ 目的：检验 问题： 两变量数据是否服从正态分布? (需提前进行) 是 Pearson相关分析 否 数据转换或进行等级相关分析 ? 实现步骤： 1. 将数据录入SPSS并整理加工 定义变量 输入数据 保存 保存为：“时间与比值.sav” 2.正态性检验：Analyze | Descriptive Statistics | Explore(探索性） 可以认为保存时间、白球蛋白比值服从正态分布。 【V