生物医学统计分析实验7报告.docVIP

评分 大理大学实验报告 2015—2016学年度第 2 学期 课程名称 实验名称 专业班级 姓 名 学 号 实验日期 实验地点 生物医学统计分析 回归分析 2013级生物医学工程 朱广能 马凯 2013166144 2013166124 2015年12月31日 工科楼503 一、 实验目的 熟悉数据管理的相关操作。 学会数据的一些基木统计分析方法及操作。 二、 实验环境 1? 硬件配置：处理器（Intel（R）Pentium（R） 4 cpu 2.80GHz）、CD-ROM 驱动器、鼠标、 内存1GB（1O24MB）＞ 32位操作系统 2.软件环境:IBM SPSS_Statistics_19_win32 2. 软件环境: IBM SPSS_Statistics_19_win32 三、实验内容 （一） 回归分析 冋归分析通过“冋归”过程来实现，该模块主要包括以下几个命令： 自动线性建模；线性（线性回归分析）；曲线估计（曲线回归分析）；二元Logistic （二 元Logistic回归分析）；非线性回归分析等。 （二） 回归分析的一般方法 确定回归方程中的因变量和自变量 2?确定冋归模型 建立回归方程 对回归方程进行各种检验 利用回归方程进行检验 （三） 一元线性回归分析［Egl］ 其分析的任务是根据若干个观测值（焉，Vi） i=l, 2,???，n找出描述两个变量x与y Z间关系的线性回归方程： = a + bx （四） 多元线性回归分析（linear ）1程）［Eg8?2］、［习题1］ 在生物医学领域的许多实际问题中，常常需要研究一个因变量与多个自变量间的相 关关系。比如动物的体重同时受体长、身高、胸围等性状的影响。因此需要进行一 个因变量与对个自变量间的回归分析，即多元回归分析。在多元线性回归分析中， 用户可以根据需要，选用不同删选自变量的方法（如：逐步法、向前法、向后法等） （五） 曲线回归分析（Curve Estimation ii程）［Eg8?3］、［习题2］ 在实际生产中，因变量x与自变量y间的相关关系并非一定是线性关系，更多的是 各种各样的曲线关系。在许多情况下，曲线回归可以通过变量转运转换成线性形式 来解决。曲线回归的基本分析过程是：先通过变量替换的方法把不满足线性关系的 数据转换为符合线性回归模型的数据，再利用线性回归分析方法建立线性回归方程 并进行显著性检验，然后再转换成曲线回归方程。 （六） 生长曲线的方程拟合［Eg8?4］ 在生物生长过程屮，初始阶段的生物量增长较缓慢，继Z速度加快进入快速期，而 后又转入缓慢期，直至停止生长，呈“S”型，称为生长曲线，屈于非线性回归。 Logistic曲线方程的拟合 Gompertz和Von Bertalanffy曲线方程的拟合 U!实验结果与分析 U! 实验结果与分析 ［例8.1］建立饲料消耗量对体重的冋归方程并对冋归关系、冋归系数进行检验 表8.1-1饲料消耗和体重的描述性统计量 均值 标准偏差 N 饲料消耗 93. 560 3. 8816 10 体重 4. 980 .4131 10 表 1-2饲料消耗和体重的相关性分析表 饲料消耗 体重 Pearson相关性 饲料消耗 1.000 .818 体重 .818 1.000 Sig.（单侧） 饲料消耗 ■ .002 体重 .002 ? N 饲料消耗 10 10 体重 10 10 表8.1-3饲料消耗和体重冋归分析的相关模型汇总 模型 R R方 调整R方 标准估计的误差 1 .818“ .670 .629 2. 3656 a.预测变量：（常量），体垂。 表8.1-4饲料消耗和体重冋归分析的Anovab 模型 平方和 df 均方 1 Sig. 1 回归 90. 836 1 90. 836 16. 232 .oor 残差 44.768 8 5. 596 总计 135.604 9 预测变量：（常量），体重。 b?因变量：饲料消耗 表8.1-5饲料消耗和体重的冋归系数*及t检验 模型 非标准化系数 标准系数 t Sig. B 标准误差 试用版 1 （常量） 体重X 55. 263 7. 690 9. 535 1.909 .818 5. 796 4.029 .000 .004 a.因变量：饲料消耗 分析： 表 1-1给出了饲料消耗和体重的描述性统计量； 表 1-2可见，相关系数2-0.818,显著概率（Sig.）尺0?002〈0.01,即体重和饲料 消耗之间是极显著正相关关系； 表8. 1-3是有关线性回归模型的参数，“斤”相当于两个变量的简单相关系数匕“水 方”即相关系数的平方值，也称为决定系数/或拟合度，其值为0. 670,表示因 变量饲料消耗量的变异中有67.0%是由自变量体重的不同造成；“调整斤方”是修正 的决定系数，为0