第八章二直线回归.pptVIP

生物统计 附 试验设计Biostatistics and Experimental Design 畜牧、兽医专业 二 直线回归 “回归”的来历 “回归”一词由英国统计学家F Galton首先提出,他在研究父亲的身高与儿子身高之间的关系时发现:高个子父亲(高于群体平均数)所生的儿子比他更高的概率小于比他矮的概率;同样,矮个子父亲(矮于群体平均数)所生的儿子比他更矮的概率小于比他高的概率,即儿子的身高有向群体平均身高回归的趋势. 二 直线回归 回归分析：是研究呈因果关系的相关变量间的关系。 （1）通过计算回归系数和建立回归方程，表明两变量的数量变化关系 （2）并进行回归关系的显著性检验，以便由一个变量对另一个变量进行估测。 （三） 回归关系的显著性检验 2 对回归系数和截距的t检验 （四）回归方程的拟合度-决定系数R2 对于简单相关和回归来说,相关系数r、回归系数b、相关关系、回归关系的检验是等价的，只要其中一项检验结果为差异显著，则可以说明两个变量之间存在显著的相关和回归关系，建立的回归方程有意义，可以利用该方程进行间接估测。 在SPSS中的Analyse菜单中Correlate—[Bivariate]过程进行相关分析； 在SPSS中的Analyse菜单中Regression—[Linear]过程进行回归分析 全部观察值的总变异： 1 对回归方程的 F 检验 总变异由两部分组成: 一种是由自变量的不同引起的; 另一种是由随机误差引起的。 所以，对总变异进行剖分。 任一点 P（Xi ,Yi）在回归直线的估计值的离均差都可以分解为： P（x,y） A B C 对上面的式子两端平方，然后对所有n点求和，得。 =0 回归平方和，记作SSR SSR是估计值与依变量总均数之差的平方和； 可以看作总变异中由于自变量x的取值变化而引起依变量y变化的部分； 反映了Y总变异中由于X与Y的线性关系，而引起的Y变化部分。 这部分变异可以通过控制X值而避免。 离回归平方和或误差平方和，记作SSE 它是y各观察值与估计值之差的平方和； 它与自变量x的大小无关，是依据回归方程进行估计时，存在估计误差造成的； 它是除了 X对Y的线性影响之外的一切因素（包括X对Y的非线性影响以及观测误差）对Y变异的作用。 平方和的计算公式： 回归方程效果的好坏取决于SSR和SSE，或者说取决于SSR在总平方和中所占的比例，这个比例越大，回归的效果越好。由 X估计Y的准确性越高。 Y变量的总自由度： dfT=n-1 回归自由度对应于自变量的个数，由于受一个自变量的影响，所以：dfR=1 误差自由度：dfE=n-2 SSY n-1 总 MSR/MSE SSR/dfR SSE/dfE SSR SSE 1 n-2 回归 离回归 F MS SS 自由度 变异 列方差分析表： 例：以上题为例 根据10只绵羊的胸围（cm）和体重（kg）的资料，做回归方程的显著性检验。 1 H0:b=0，或者绵羊的胸围与体重之间不存 在线性回归关系。 HA:b≠0，或者绵羊的胸围与体重之间存在 线性回归关系。 2 求平方和和自由度 列回归关系方差分析表： 578 n-1 总 F0.05(1,8)=5.32 F0.01(1,8)=11.259 20.3926** 415.1406 20.3574 415.1406 162.8594 1 n-2 回归 离回归 F MS SS 自由度 变异 结论： 绵羊体重对胸围的回归关系显著，表明两者有线性关系存在。 578 9 总 F0.05(1,8)=5.32 F0.01(1,8)=11.259 20.3946** 415.1521 20.3560 415.1521 162.8479 1 8 相关 非相关 F MS SS 自由度 变异 回顾相关关系检验结果 统计推断： 接受备择假设，认为r是高度显著的，即说明绵羊的胸围与体重的相关非常显著。 2 对回归系数和截距的t检验 目的： 确定样本回归系数是来自无回归关系的双变量总体，还是来自有回归关系的双变量总体。 确定回归直线是否通过原点。 例：以上题为例 根据10只绵羊的胸围（cm）和体重（kg）的资料，做回归系数和截距的显著性检验。 1 假设： H0:β=0，绵羊的胸围与体重之间不 存在线性回归关系。 α