医学统计学线性回归.pptxVIP

第五章 线性相关与线性回归分析5.1 一元相关与回归1. 相关分析原理2. Bivariate过程 3. 回归分析原理4. Regression过程 5.2 多元回归方程5.3 logistic回归例 测某地10名三岁儿童的体重X（kg）与体表面积Y（10－1m2），体重11.011.812.012.313.113.714.414.915.216.0体表5.2835.2995.3585.6025.2926.0145.8306.1026.0756.411判断X和Y是否是线性相关的。性质：r绝对值愈接近1，两个变量样本间的线性相关越密切r绝对值越接近0，两个变量样本的线性相关越不密切5.1 相关分析原理1.直线相关：（1）两个变量均服从正态分布 Pearson简单相关分析总体相关系数:样本相关系数:×( )相关系数的检验原假设则:（2）如果不服从正态分布，则应考虑变量变换，或采用 等级相关来分析。 Spearman等级相关 Kendall等级相关注：列联表可用“Crosstabs 过程 ”中的“Contingency Coefficient” 计算Pearson列联相关系数问题：两变量数据是否服从正态分布? (需提前进行)否是Pearson相关分析2.曲线相关：两变量存在相关趋势，但非线性，而是呈某种可能的 曲线趋势。一般都先将变量变换，再将趋势变换为直 线来分析，或者采用曲线回归方法来分析。5.2 Bivariate过程 例 某次体检中抽取12名学生的体重和血压，现通过相关分析过程来观测学生的体重与血压是否相关？体重68485660835662597758血压95988796110155135128113168目的：检验数据转换或进行等级相关分析? 实现步骤：1. 将数据录入SPSS并整理加工输入数据保存定义变量 weight:体重; pressure:血压；保存为：“体重与血压.sav”2.正态性检验：Analyze | Descriptive Statistics | Explore(探索性）可以认为体重值、血压值服从正态分布。菜单 “Analyze” | “Correlate ” | “Bivariate ”命令【Variables框】用于选入需要进行相关分析的变量，至少需要选入两个。【Correlation Coefficients 复选框组】用于选择需要 计算的相关分析指标。【Flag significant correlations】用于确定是否在结果中用星号 标记有统计学意义的相关系数，一般选中。此时P0.05的系数 值旁会标记一个星号，P0.01的则标记两个星号。将“体重[weight]”、“血压[pressure]”点入“Variables”框，点击“Options”按钮。 3.相关分析过程【Options钮】弹出Options对话框，选择需要计算的描述统计量和统计分析： 选择“Means and standard deviations”，点击“Continue”返回上一层对话框。 点击“OK”按钮? 结果输出和讨论：分析：左图给出了体重和血压的平均值、标准差和样本数目。(反映了观测值 总的分散程度） (回归平方和 )反映了回归值的分散程度(由于线性影响引起的离散性） (剩余平方和)5.3 回归分析原理反映了观测值偏离回归直线的程度(由于随机误差引起的离散性） (）当 时:或F检验: H0:β＝0校正决定系数1－MS剩/MS总决定系数R2＝SS回/SS总＝1－SS剩/SS总 0≤R2≤1，越接近于1，回归效果越好。临床：R2≥0.7就认为回归效果不错高精度医药实验研究： R2 0.9R2＝ r2一元线性回归方程中：越接近于1，回归效果越好。做散点图建立回归方程并检验1. 将数据录入SPSS并整理加工输入数据保存定义变量 x:体重; y:体表；保存为：“体重与体表.sav”例 测某地10名三岁儿童的体重X（kg）与体表面积Y（10－1m2），体重11.011.812.012.313.113.714.414.915.216.0体表5.2835.2995.3585.6025.2926.0145.8306.1026.0756.411做体表Y关于体重X的回归方程。? 实现步骤：菜单“Graphs”|“Legacy Dialogs”|“Scatter/Dot”点击 “simple scatter” 命令，点击“Define”按钮。2.利用Scatter/Dot命令做散点图将“体重[x]”变量选入“X Axis”框，将“体表[y]”选入“YAxis”框中，点击“OK”