关联性分析（二）.ppt

关联性分析（二） 三、 两个连续型随机变量间的相关分析 散点图 分析内容； Pearson相关； Spearman秩相关； 相关分析中应注意的问题。 例9-1 表9-1为一项关于儿童健康和发展的研究中10名学龄儿童的身高和体重资料，试对学龄儿童的身高(cm)和体重(kg)进行相关分析。 3.1 散点图 判断两个变量是否具有相关关系最直观的办法是绘制散点图(scatter plot)。 将两变量置于直角坐标轴上，把其中一变量取作 X ，另一个取作 Y ，据此在直角坐标系( X, Y )中标出对应的点来，这样的图形称作散点图。 常见的典型散点图及相关的种类 3.2 相关分析的分析内容 线性相关是两变量间最简单的关系，通常从以下三个方面进行分析： 统计描述； 统计推断； 统计应用 3.2 相关分析的分析内容 线性相关是两变量间最简单的关系，通常从以下三个方面进行分析： 统计描述； X 和Y 有联系吗？是线性、非线性联系？联系的程度以及方向？ 统计推断； 统计应用 3.2 相关分析的分析内容 3.2 相关分析的分析内容 线性相关是两变量间最简单的关系，通常从以下三个方面进行分析： 统计描述； 统计推断； 统计应用 如何根据相关系数的大小与方向，结合专业知识对两变量的联系进行解释？ 3.3 Pearson相关 两变量分别以X, Y表示，如果X 和Y 均是随机变量，呈双变量正态分布，散点图呈线性趋势，各观察值间相互独立，则可用Pearson积矩相关系数来描述两者之间的关系，简称相关系数。 Pearson积矩相关系数的计算 相关系数的正负 相关系数的正负 相关系数的正负 相关系数的特点有： 1. 相关系数ρ、r是一个无量纲的数值, 且-1＜ρ、r＜1； 2. ρ ＞0为正相关， ρ ＜0为负相关； 3. ρ ＝0为不相关（无线性相关关系） 4. |ρ |越接近于１，说明相关性越好（密切）, | ρ |越接近于０，说明相关性越差。 Pearson积矩相关系数的假设检验 H0:ρ＝0 H1:ρ≠0 α=0.05 方法一： 直接查 r 临界值表，根据自由度ν=n-2，查P581，C11，相关系数 r 临界值表，比较｜r｜与临界值. 例：v =10-2=8，查 r 临界值表可得r0.001/2,8=0.872，P＜0.001，即：相关系数与0的差异有统计学意义，学龄儿童身高与体重之间存在线性相关关系。 方法二： 采用 t 检验。 相关系数的置信区间估计 Fisher’s 变换 r z 正态近似 ? 的95％I z 的95％CI Fisher’s 反变换 Pearson积矩相关系数的区间估计 z的置信区间 ?的置信区间 相关系数的区间估计 (1) 将r 变换为 z ； (2) 根据 z 服从正态分布，估计 z 的可信区间； (3) 再将 z 变换回 r。 本例 则z的95%置信区间为： 则ρ的95%置信区间为： 3.4 Spearman秩相关 1. 秩相关的概念及其统计描述 ； 2. 秩相关系数的统计推断 。 秩相关的概念及其统计描述 如果X，Y 不服从双变量正态分布，或是总体分布未知，数据本身有不确定值或为等级资料，不宜用积差相关系数来刻画相关性。此时，可采用秩相关（rank correlation），或称等级相关来刻画两个变量间相关的程度与方向。 例9-2 10名患者参加家庭计划的时间长度(天)和每名患者每天的费用(元)见表9-2。请问参加的时间长度和费用是否相关? 解析： 该资料的特点为，变量时间与费用均不服从正态分布。 Spearman秩相关系数的计算 秩相关的基本思想：将原始数据转换为秩次。将两变量X，Y成对的观察值分别从