第四次实验终极版1.ppt

1、正态性检验 直方图的形态符合正态分布，我们可以大体上认为数据的残差是符合正态分布的。 * 2、相关性检验（因变量Y与自变量X） 按照α=0.05的检验水准， 因变量“A”与“age”：Sig=0.1430.05,不具有显著的相关性； “A”与“greatest diameter of tumor ”：Sig=0.0300.05，具有显著的相关性； “A”与“blood loss”：Sig=0.000.05，具有显著的相关性。 * 2.（1）回归模型的建立： 设定三个自变量指标分别、年龄（X1）、肿瘤最大直径（greatest diameter of tumor X2）、出血量（blood loss，X3） 因变量为为A指标（Y） 并建立多元线性回归模型Y=β0+β1X1+β2X2+β3X3 enter法 *本题中因变量Y对三个自变量X1、X2和X3的回归的非标准化回归系数分别为-0.006、0.027和0.001； *本题中回归分析得到的回归方程为：Y=0.150-0.006X1+0.027X2+0.001X3 利用SPSS软件得到结果如下： * （2）回归模型的检验 1）模型概述 上面所定义模型确定系数的平方根为0.220，确定系数R2=0.048，调整后的确定系数为0.046，标准误为2.07659，R与R2均较小，模型与数据拟合度较差。 R2值越大，模型与数据的拟合程度越好。 （2）回归模型的检验 2）（方差分析法）总的来说检验回归方程是否成立，见下表 H0：β1=β2=β3 =0 H1：β1、β2、β3 不全为0 α=0.05 本题中回归平方和为246.404，残差平方和为4859.883，总平 和为5106.287，F统计量的值为19.047，按照α=0.05的检验水 准，Sig.0.001，拒绝H0，说明因变量与各自变量分别存在真 实的线性关系，可以认为所建立的回归方程有效（显著）。 （2）回归模型的检验 3）各偏回归系数的假设检验：（T检验） H 0 : β i = 0 H 1 : β i ≠ 0 α=0.05 可以看出，对应的显著性检验的t值分别为-1.069、1.281和7.223。按照α=0.05的检验水准，其中X1、X2对应的回归系数β的显著性水平Sig.均大于0.05，X3对应的Sig.0.001，则小于0.05， 可以认为自变量X1和X2对因变量Y无显著影响，X3对因变量Y有显著影响。 stepwise 法 操作步骤：其他同上enter法，只是将自变量的筛选策略下拉选为stepwise 利用SPSS软件得到结果如下： 用Stepwise表示逐步筛选策略入选的变量只有X3。 表一 表二 表三 结果：表二中X3对应的Sig.0.001，而X1、X2对应的Sig.均0.05，按照α=0.05的检验水准，X3与Y有显著相关性，只有X3入选回归模型，且出血量X3与A指标呈正相关关系。剔除X1、X2后，重新回归分析得到的回归方程为：Y=-0.111+0.001X3 回归模型检验：由表三得，本回归方程对应的Sig.0.001，而，按照α=0.05的检验水准，认为所建立的回归方程有效。 二、以分组（group）为因变量，探讨性别（sex）、年龄（age）、吸烟与否（smoking）、分化程度（grade of differentiation）对分组是否有影响。 操作步骤：Analyze-Regression-Binary Logistic 设定四个自变量分别为指标分别为性别（sex）X1、年龄（age）X2、 吸烟与否（smoking）X3、分化程度（grade of differentiation）X4，因变量Y为分组（group） 1、对整个模型的检验：（似然比检验） 图一：Block?0:?Beginning?Block初始预测分类表 检验的假设为： H0：所有自变量的总体回归系数均为0 H1：自变量的总体回归系数不全为0 α=0.05 通过SPSS得出，结果分析： Logistic回归模型中常数项β0为-0.204，标准误差为S.E.=0.065， Wald 值为9.818，P=Sig.=0.0020.05，按照α=0.05的检验水准，拒绝原假设，自变量的总体回归系数不全为0 ，即整模型总体上具有统计学意义。 2、对单个回归系数的检验：(Wald 检验) 图二： 检验的假设为： H0：βj=0 H1：βj≠0 α=0.05 由上表可得，自变量性别（sex）、年龄（age）、吸烟与否（smoking）对应的P值即sig.均0.05，按照α=0.05的检验水准，不拒绝H0，尚不能认为自变量性别（sex）、年龄（age）、吸烟与否（s