一元回归及简单相关分析.pptxVIP

; 前面，我们所讨论的统计方法，只涉及一个变量。例如，在不同品种的产量比较试验中，每一品种平均数反映产量的集中点。标准差反映了产量的离散程度。如作物产量，通过计算平均数和标准差，就可知道这种作物在产量上的总体和变异情况，进而根据变异程度进行u-检验、t-检验、F-检验和x2-检验，并可确定那个品种好，那个品种不好；可筛选出适宜的条件或措施，等等，而这些都只涉猎产量一个变量，而产量不仅与品种有关，还与施肥量 、播种密度、及灌水量等多种因素有关。因此在试验研究的过程中，经常要研究两个或两个以上变量间的相关关系。事物间或现象间的关系，这种研究事物间或现象间关系的统计方法就属于回归和相关。;; 对两个变量，一个变量用符号x表示，另一个变量用y表示，如果通过试验或调查获得两个变量的成对观测值，可表示为(x1， y1 )，(x2， y2 )，…，(xn， yn )。为了直观看出x和y变化关系．可将每一对观测值在平面直角坐标系中表示成一个点，作成散点图。 ;; 从散点图可以看出：①两个变量间关系的性质和程度；②两个变量间关系的类型，是直线型还是曲线型；③是否有异常观测值的干扰等。例如图10．1是三幅两个变量的散点图，图a和图b都是直线型的，但图a的两个变量关系较图b密切，且是正向的，即x增加y心也增加，图b是负向的，图c的两个变量之间关系是曲线型的。由散点图表示两个变量之间的关系只是定性的研究，为了探讨它们之间的规律性，必须根据观测值将期理论关系推导出来。; 研究两个变量的关系可采用回归与相关的分析统计方法。如果两个变量间关系属于因果关系，一般用回归来研究。表示原因的变量称为自变量，用x表示。自变量是固定的(试验时预先确定的)，没有随机误差。表示结果的变量称为依变量，用y表示 ．并有随机误差。例如作物施肥和产量之间的关系，前者是表示原因的变量，为事先确定的，是自变量，后者是表示结果的变量，且具有随机误差，为依变量，作物产量是随施肥量的变化而变化的。（一个自变量x可以有许多y值和它对应） 回归分析的目的是揭示呈因果关系的变量之间??联系形式，建立回归方程，利用建立回归方程由自变量来预测和控制依变量。 ; 如果两变量是平行关系，只能用相关来进行研究。在相关分析中，无自变量和依变量之分，且都具有随机误差。（两个变量取值不是一对一的）相关分析只能研究两个变量之间相关程度和性质，不能用一个变量的变化去预测另一个变量的变化，这是回归与相关区别的关键所在。 显然，相关关系中两个随机变量没有谁依赖谁的关系，而回归关系中随机变量是依赖于变量的。对于回归分析而言，我们不但要弄清楚谁依赖谁，而且要搞明白依赖程度是否显著。 ;回归关系（regression）——一个变量（X）和一个 随机变量（Y）的对应关系（X Y）。;简单直线相关与回归的区别 p 156 1．在资料要求上，相关要求两变量x、y都是随机变量，如动物体高与体重．两者都不能预先指定；回归要求依变量y是随机变员，而自变量x可以是随机变量，亦可以指定，幅养试验中．建立采食量与增重的回归关系，动物采食量可以人为控制． 2．在意义上．相关反映两变量间相互依赖的平行关系；而回归则反映一个变量对另一变量的单向依赖关系． 3．在应用上，说明两变量间的相关程度用相关；说明两现象间变化的数量关系用 回归．;;;;;二、一元线性回归;二、一元线性回归;二、一元线性回归;二、一元线性回归;二、一元线性回归;二、一元线性回归;二、一元线性回归;三、一元非线性回归;1、相关系数概念及其计算 相关系数（correlation coefficient）是指由于回归因素所引起的变差与总变差之比的平方根，它是衡量线性回归好坏的一个标志。由回归因素所引起的变差在总变差中的比率越大，回归的成分就越大，这两个变量间的相关就越密切。;样本相关系数为： ;相关系数的性质 用散点图说明;;;解：H0: ρ=0 ;说明两种方法测定结果是一致的。 ;简单直线相关与回归的区别 p 156杨运清 1．在资料要求上，相关要求两变量x。y都是随机变量，如动物体高与体重．两者都不能预先指定；回归要求依变量y是随机变员，而自变量x可以是随机变量，亦可以指定，幅养试验中．建立采食量与增重的回归关系，动物采食量可以人为控制． 2．在意义上．相关反映两变量间相互依赖的平行关系；而回归则反映一个变量对另一变量的单向依赖关系． 3．在应用上，说明两变量间的相关程度用相关；说明两现象间变化的数量关系用 回归． ;;对比r 和 b 两个变量在相关系数计算中的地位是平等的