多元線性回歸.ppt

多元線性回歸 樣本回歸方程︰ 3、利用多元線性回歸方程進行疾病的預測、預報，以及疾病診斷提升其診斷效果等。 SPSS11.0套裝軟件操作(1)選擇分析窗口（Analyze)(2)選擇回歸分析（Regression)(3)選擇線性回歸(Linear) SPSS數據庫格式 操作（一） 操作（二） 操作（三） 操作（四） 操作（五）（設定界值） （一）描述性統計分析結果 （二）相關係數矩陣 （三）模型效果檢驗(複相關係數R的檢驗) （四）模型效果檢驗 (殘差分析) （五）回歸系數的檢驗及結果 建立回歸方程 （六）殘差直方圖 （七）殘差正態累計機率圖 （八）散點圖 (九)繪製個體值及估計值與實測值回歸線的可信區間 多元逐步回歸要求回歸方程中包含所有對因變量作用顯著的自變量，而不包含作用不顯著的自變量，從而建立最優回歸方程。 3、向前引入法（Forward）:自變量由少到多一個一個引入回歸方程，將與因變量的相關係數最大的第一個自變量選入方程並進行檢驗，如果F值Fa ，拒絕H0 ；將其餘的變量中與因變量的相關係數最大的第二個自變量選入方程，當F值Fa ，拒絕H0 ；如此下去，不斷引入新的自變量，直到不能拒絕H0，再沒有變量被引入為止。 4、向后剔除法（Backward）:  自變量由多到少一個一個從回歸方程中剔除，首先，對預先選定自變量全部進行回歸，然後把對因變量影響不顯著的自變量從方程中剔除並進行檢驗，如果F值Fa ，接受H0 ，一個一個剔除對因變量不顯著的自變量，直到再不能剔除為止。 操作（一） SPSS套裝軟件逐步回歸操作（二） 操作（三） 操作（四） 操作（五） 操作（六） （一） SPSS套裝軟件逐步回歸篩選自變量 （二） SPSS套裝軟件逐步回歸相關係數及檢驗 （三） SPSS套裝軟件逐步回歸殘差分析 （四） SPSS套裝軟件逐步回歸回歸系數及檢驗 （五） SPSS套裝軟件逐步回歸殘差直方圖 （六） SPSS套裝軟件逐步回歸未進入方程的變量及檢驗 （七） SPSS套裝軟件逐步回歸殘差正態機率P-P圖 2、進行原素篩選，有助于從大量原素中篩選出對某一醫學現象作用顯著的原素和原素組，因此在病因分析和療效分析中有著廣泛的應用。 共線性診斷的方法︰診斷共線性常用的參數有︰ SPSS統計套裝軟件多元線性回歸建模方法︰ 強迫引入法 Enter 逐步回歸法 Stepwise 強迫剔除法 Remove 向后逐步法 Backward 向前逐步法 Forward 多元線性回歸模塊分析內容︰ 回歸系數 相關係數 方差分析表 圖形 預測值等 點擊逐步回歸 結果變量Y 多個自變量 點擊逐步回歸 回歸系數估計 回歸系數可信區間 模型擬合 正態機率圖 直方圖 逐步回歸的主要用途︰1、建立一個自變量個數較少的多元線性回歸方程，可用于描述某些自變量與某一醫學現象間的數量關係，以及進行疾病的預測預報，輔助診斷等。 討論︰1、共線性問題2、殘差分析 共線性分析︰ 在回歸方程中，雖然各自變量對因變量是有意義的，但由於某些自變量彼此相關，這種自變量彼此間的相關叫存在共線性問題，必然給評價自變量的貢獻帶來困難。因此，需要對回歸方程中的自變量進行共線性診斷。 系統默認 F=19.553,F檢驗結果機率P=0.000,差異有統計學意義,可以認為回歸模型的擬合是有效的 F=19.553,P=0.000,結論同上。 結果討論︰ 統計分析結果應結合專業知識進行分析，分析統計結果是否符合專業實際解釋。 回歸方程效果的檢驗︰ 回歸效果的檢驗︰ 建立了回歸方程后，需要進行顯著性檢驗，以確認建立的回歸模型是否很好的擬合了原始數據，即回歸方程是否有效,利用殘差分析，確定回歸方程是否違反了假設理論，對方程中的各自變量進行檢驗，首先假設總體的各自變量的系數或常數項為均0，透過檢驗以便在回歸方程中保留對因變量Y估計更有效的自變量，來確定回歸模型是否有效。 由於有等方差為前提條件，利用殘差均方σ2的估計S2進行回歸效果的檢驗。這裡假設p+1個系數是從總體回歸系數β0 ,β1,…,βP全為0的總體中作隨機抽樣來的，由於是樣本，必然存在抽樣誤差，因此需要對回歸系數進行檢驗。 建立檢驗假設和備擇假設H0 : β0=β1=…βP =0 ,H1 : β0 ,β1 ,…,βP 不全為0 計算總的離均差平方和、回歸平方和（回歸的貢獻就在于使估計值與觀察值間的差距縮小，縮小的這一部分叫回歸平方和）及殘差平方和，首先計算回歸均方及殘差均方（回歸均方及殘差均方分別除以他們的相應的自由度）得到均