医学统计学回归方程的应用.docx

第五节回归方程的应用 一、线性回归的主要用途 研究因素间的依存关系自变量和应变 量之间是否存在线性关系，即研究一个或多个 自变量对应变量的作用，或者应变量依赖自变 量变化而变化的规律。 估计与预测可用易测定的一组给定的 自变量的观测值来推算较难测定的丫值o 统计控制 是利用回归方程进行逆估计, 即应变量Y给岀一个确定的值或在一定范围内 波动时，通过控制自变量的取值来实现。 二、线性回归应用的注意事项 1-在进行直线回归分析之前，应绘制 散点图。 作回归分析时，要注意两变量间是 否存在实际意义。 两变量间存在直线关系时，不一定 表明彼此之间就存在因果关系。 建立回归方程后，须对回归系数 进行假设检验。 使用回归方程进行估计与预测时, 一般只适用于原来的观测范围，即自变量 的取值范围，不能随意将范围扩大。 在线性回归分析时，要注意远离 群体的极端值对回归效果的影响。 第十三章钱性相果今祈 第一节散点冬 一、散点图 在线性相关分析中，两个变量X和Y的值 总是成对的出现，记为（X],岭），（X2, r2）……（xn, rn） o这些观察值在直角坐 标系中形成一幅散点图，这种散点图可以简 单而直观的表示两变量的线性关系。 例13?1 为研究中年女性体重指数和收缩 压之间的关系，随机测量了 16名40岁以上 的女性的体重指数和收缩压，见表13-1, 试绘制散点图。 解：以体重指数为变量X,收缩压为变量Y 做散点图，见图13-lo可见，体重指数与 收缩压有比较密切的相关关系。 25 -1 10 I……「丿I I…… 2. 5 3 3. 5 4 4. 5 体重指数 二、直线相关 直线相 关（linear corre 直线相 关（linear corre lation）又称简单相关（simple correlation）, 用于双变量正态分布（bivariate normal distribution）资料。其性质可由图9-6散点图直观的说 明。 目的：研究两个变量数量上的依存（或相 关）关系。 特点：统计关系 第二节线性相关系数 一、概念:相关系数(correlation coefficient)又 称Pearson^差相关系数，用来说明具有直线关系的两 变量间相关的密切程度与相关方向。 以符号尸表示样本相关系数，符号q表示其总体相关系数. 相关系数没有单位，其值为-lrL厂值为正 表示正相关，/■值为负表示负相关，/?绝对值反 应两变量间相关关系的密切程度，绝对值越大说 明相关关系越密切，尚绝对值等于1为完全相 关，r=0为零相关。 II A II 1 B—A r II o II Q ?i ? ■ *? 扎 ■ 、 ? A ■ * + ? ?4 ? ? ? ? ? 4 * *?* ■ ?I * ?* 4 || ■ ■ * fL ? ? ? ?— * * * ????. ??.? ? fr ■ ■ . II O ? ■ * ? ? ? ? * ? ? ? Ill o ? + ? ■ * ■ * 二、计算公式 样本相关系数的计算公式为 工（X—戈）（10 —山（） jY（x—戈）勺工（1 巧 13-1 例13-2 （续例13-1）计算表13?1中体 解二 绘制散点图，观察两变量之间是否有线性趋势「从图1久1 可见歩体重指数与收缩压之间呈线性趋势歩且方向相同歩为正 相关匚 计算相关系数°从表13?1的合计栏中，已得出基本数据： ；f = 56.50 7 = 314.66 = 202.1506 = 6239.S65S .工刃 M=16-代入 公式1）1中，可得: 鼻=二戸-（YJ02 怎=2021506-56.502 门6= 2.6350, 如=工讨-（二 yf 他=6239 僦58-引4.6『/16=51.覺 36, 10.6315 V2.6350x 51.6836 =0.91 三、应用线性相关系数r时应注意的问题： 厂只表示两个服从正态分布的随机变量之间线 性关系的密切程度和相关方向，尸0只能说X与丫之 间无线性关系，并不能说X与Y之间无任何关系。 相关关系并不一定是因果关系。相关分析的 任务就是对相关关系给以定量的计算和描述。 第三节相关系数的假设检验 t检验法 r-0 h = (13-2) 例13?3 （续例13-1）根据样本相关系数, 对总体相关系数=0进行假设检验。 解： 检验法检验步骤如下： （1）建立假设，确定检验水准G。 Ho: p =0（变量间不存在线性相关关系）； 工0 （变量间有线性相关关系）； a = 0.05 检验步骤 (2)计算检验统计量本例并T6， r=0.9L 按公式(13-2) J(l —().9110)/(16 — 2)0.9110 J(l —().9110)/(16 — 2) (