第10章两指标间的直线相关.docVIP

PAGE 1 —PAGE 132— 第10章 两指标间的直线相关 前面4章介绍的各类统计分析方法均限于研究一个观察指标，即使是多个组比较，也只限于同一个观察指标的差别。但客观事物往往不是孤立的，它们互相联系和制约，如人的身高与体重、体温与脉搏次数、药物剂量与反应、病程或病情与疗效等。因此，常常要研究两个观察指标之间是否有联系。本章讨论3种不同类型资料的相关分析，与此有密切关系的是直线回归(第11章)和曲线回归(第12章)。 § 10.1 相关关系与确定性关系 两变量间的关系有两类：确定性关系和非确定性关系。 所谓确定性关系是指两变量间的关系是函数关系。已知一个变量的值，另一个变量的值可以通过这种函数关系精确计算出来。例如，圆的周长与半径的关系：C =2?R，已知半径R就能精确地计算出圆的周长C。 所谓非确定性关系是指两变量在宏观上存在关系，但并未精确到可以用函数关系来表达。例如，青少年身高随年龄增长而增高，二者关系具有必然性，但不能根据某个人的年龄准确推算其身高，原因是不同青少年的身高之间存在个体变异。这种既是必然的又是不确定的关系称为相关关系(correlation)。医学研究中存在着大量的此类相关问题。 相关分析是研究观察指标间相关关系的统计方法，即通过对实际数据的分析，从不确定的、带有偶然性的现象中寻求必然的统计规律。 应该指出，确定性关系和相关关系之间难以绝对分界。由于存在测量误差、精密度误差等原因，故确定性关系在实际问题中可能通过相关关系表现出来。许多物理的、化学的定律(确定性关系)在被发现之前往往先表现为相关关系，在相关关系的启迪下，物理学家、化学家才发现了这些定律。这就是说，当对事物的规律了解加深时，相关关系可以转变为确定性关系。例如，在白化病的遗传中，设父亲是否患白化病记为X(X=是，否)，其子女是否患白化病记为Y(Y=是，否)，X与Y之间的关系是不确定的。但是，在母亲患白化病条件下，则X和Y的关系就是确定的：当X=“是”时，Y＝“是”；当X= “否”时，Y= “否”(父亲为异常基因的携带者除外)。 § 10.2 定量资料的相关 10.2.1 直线相关的概念 当两个数值变量之间出现如下情况：当一个变量增大时，另一个变量也随之增大(或随之减少)，我们称这种现象为共变，也就是两变量有相关关系。若两个变量同时增加或减少，变化趋势是同向的，则两变量之间的关系为正相关(positive correlation)；若一个变量增加时，另一个变量减少，变化趋势是反向的，则称为负相关(negative correlation)。相关关系分为线性的(linear)和非线性(non-linear)的。本章只讨论线性的相关关系。 直线相关系数(linear correlation coefficient)，又称积差相关系数(coefficient of product- moment correlation、Pearson相关系数)，简称相关系数(correlation coefficient)，是表达两变量间线性相关的程度和方向的一个统计指标。样本的相关系数用符号r表示，总体相关系数用希腊字母? (读作rho)表示。计算公式： (10.1) 其中： 表示X的离均差平方和； 表示Y的离均差平方和； 表示X与Y间的离均差积和。 相关系数是一个无量纲的统计指标，其取值范围为-1≤r≤1，同样，-1≤?≤1。相关系数小于0为负相关；大于0为正相关；等于0为零相关。相关系数的绝对值越大，表示两变量间的相关程度越密切；相关系数越接近于0，表示相关越不密切。 r r0 (h) r0 (f) r＝-1 (d) 0r1 (a) -1r0 (c) r0 (e) r0 (g) r＝1 (b) 零相关 正相关 负相关 完全正相关 图10.1 相关系数示意 完全负相关 零相关 零相关 零相关 将两变量在直角坐标系中作散点图(scatter diagram)，横轴变量记为X，纵轴变量记为Y，如图10.1。图10.1(a)中，两变量的散点呈椭圆形分布，变化趋势同向，为正相关；图10.1(b)中，两变量之散点在一条直线上，即X与Y有函数关系，为完全正相关；图10.1(c)中，两变量的散点呈椭圆形分布，变化趋势反向，为负相关；图10.1(d)中两变量之散点亦在一条直线上，但趋势反向，为完全负相关；图10.1(e)中散点呈圆形分布，无趋势，故X和Y无相关关系；图10.1(f)中散点分布平行于X轴，表示X增加或减少时，Y的取值范围并没有变化，故X和Y无相关关系；图10.1(g)中散点呈很规则的抛物线形，表示X和Y间有非线性的相关关系，但相应的线性相关系数r=0，这是因为，r所表示的仅仅是线性关系；图10.1(