两变量关联性分析课件.pptVIP

两变量关联性分析 第一节 线性相关 前面几章主要讨论了单变量（univariate）资料的统计分析，着重于描述某一变量的统计特征或比较该变量的组间差别。但是在大量的医学科研与实践中，经常会遇到对两个变量之间关系的研究，如年龄与血压、体重与身高、药物剂量与疗效、污染程度与污染源距离等，相关就是研究这种两个变量之间关系的统计方法。 一、线性相关的概念及其统计描述 例11-1 随机抽取15名健康人，测定血液的凝血酶浓度（单位/毫升）及凝固时间，数据如下。据此如何判断这两项指标间有否相关？ 受试者 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 浓度 1.1 1.2 1.0 0.9 1.2 1.1 0.9 0.6 1.0 0.9 1.1 0.9 1.1 1 0.7 时间 14 13 15 15 13 14 16 17 14 16 15 16 14 15 17 1. 常见的散点图 相关分析也称积差相关分析，是研究两个变量密切程度的统计方法 条件：两个变量x与y均为服从正态分布的随机变量（双变量正态分布） 一.相关概念 正相关：x与y同向（直线）变化 负相关： x与y反向（直线）变化 零相关： x与y无（直线）关系 注意：相关关系不是因果关系 2. .相关系数的意义及计算 相关系数(coefficient of correlation)，是描述两个变量的密切程度与方向的指标，用r表示: r也称person系数，其值为-1≤r≤1。 r0 , 表示正相关 r0 , 表示负相关 这里的r是总体相关系数ρ 的估计值 计算器计算过程 浓度x 1.1 1.2 1.0 0.9 1.2 1.1 0.9 0.6 … … … 0.7 时间 14 13 15 15 13 14 16 17 … … … 17 开机 mode → 2 → shift → AC → 1.1 → xD,yD → 14 → DATA 1.2 → xD,yD → 13 → DATA → … → … → … 例11-2 就例11-1资料计算相关系数 二、相关系数的统计推断 原假设H0： ρ=0 （两变量无直线关系） 检验方法： （1）t检验 （2） r检验 查r 界值表（附表13） v=n-2 例11-3 就例11-2所得r =﹣ 0.926 值作显著性检验 r界值表 三、线性相关应用中注意的问题 1.样本相关系数接近零并不意味着两变量间一定无相关关系。 2.人为选定变量数值时莫做相关 3.出现异常值时慎用相关 4.相关未必真有内在关系 5.分层资料盲目合并易出假象 第二节 秩相关 目的： 用秩和法作直线相关分析 资料条件： （1）不服从双变量正态分布而不宜作积差相关分析 （2）总体分布类型未知 （3）一个变量数据是等级指标，另一个是连续型指标 rank correlation 一、 Spearman 等级相关 步骤： 1.将两个变量x与y的观察值分别按从小到大编秩，即（xi,yi ）→（pi,qi）, 若出现相同值按平均秩赋值，当（pi,qi）的相同秩次不多时按下面操作。 2.求每对观察值秩次之差di= pi－qi （i=1~n） 3.计算等级相关系数rs 4.确定P值作出结论 例11-4 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的相关性。 编号 血小板x 秩次pi 出血症状y 秩次qi d=p-q d2 1 121 1 +++ 11.5 -10.5 110.25 2 138 2 ++ 9.0 -7 49 3 165 3 + 7.0 -4 16 4 310 4 - 3.5 0.5 0.25 5 426 5 ++ 9.0 -4 16 6 540 6 ++ 9.0 -3 9 7 740 7 - 3.5 3.5 12.25 8 1060 8 - 3.5 4.5 20.25 9 1260 9 - 3.5 5.5 30.25 10 1290 10 - 3.5 6.5 42.25 11 1438 11 +++ 11.5 -0.5 0.25 12 2004 12 - 3.5 8.5 72.25 合计 — 78 — 78 — 378 本例 n=12 二、 相同秩次较多时rs的校正 1.校正公式rs’ 例 11-4 中 2.用Person 积差相关系数方法对（pi , qi）求r rs界值表