武颂文《医学统计学 》第十二章 简单回归分析.ppt

?：y的估计值（所估计的平均水平），表示给定 自变量的取值时，根据公式算得的y的估计值 a：常数项，表示自变量取值均为0时应变量的平 均水平，即回归直线在y轴上的截距 (多数情况下没有实际意义，研究者也不关心) b：回归系数，在多变量回归中也称偏回归系数。 自变量x 改变一个单位，y估计值的改变量。即 回归直线的斜率。 适用条件（line） 线性趋势：如果不是，则不能采用线性回归来分析。这可以通过散点图来加以判断 独立性：实际上就是要求残差间相互独立，不存 在自相关，否则应当采用自回归模型来分析 正态性：就自变量的任何一个线性组合，应变量y 均服从正态分布，这实际上是要求残差ei服从正 态分布 方差齐性：就自变量的任何一个线性组合，应变 量y的方差均相同，实质就是要求残差的方差齐 参数的估计 采用最小二乘法加以估计，保证在变量所构成的空间中，y的估计值和实测值之差的平方和达到最小 换言之，最好的回归直线应当使得残差的SS（残 差平方和）达到最小 知识关联：离均差平方和可以作为变异大小的测量指标，且具有可加性 线性回归方程的计算 散点图观察 ?? 有无关联趋势 ?? 是否为直线趋势 ?? 有无离群点 回归方程的计算 线性回归方程的显著性检验 对线性回归方程要进行假设检验，就是要检验b是否为β=0的总体中的一个随机样本。该假设检验通常用方差分析或者t检验，两者的检验效果等价。 线性回归方程的显著性检验-方差分析 总变异可分解为回归贡献和剩余变异 总变异：y离开均数的变异 剩余变异：引进回归方程后y的变异，就是y的残差平方和，即y离开回归值的变异 可以认为代表了随机误差（个体变异）的影响 方差检验的基本思想: 如果 X 与 Y 之间无线性回归关系， 则 SS回归 与 SS剩余 都是其它随机因素对Y的影响，由此描写变异的 MS回归 与 MS剩余 应近似相等，总体回归系数β=0，反之，β≠0。于是，可用 F 检验对 X 与 Y 之间有无回归关系进行检验。 对例题的回归方程用方差分析进行假设检验 （3）确定P值得出统计结论 查F界值表， V回归 = 1, V剩余 = 9， 拒绝 可以认为温度与蛙的心率之间存在线性回归关系。 回归方程用t 检验进行假设检验 （1）建立假设检验 β=0 β≠0 α=0.05 （3）确定P值作结论 根据 V =9， 决定系数 R2 =SS回/SS总 在因变量的总变异中，回归关系所能解释的比例 进行线性回归分析的注意事项 ⒈ 只有将两个内在有联系的变量放在一起进行回归分析才是有意义的。 ⒉ 作回归分析时，如果两个有内在联系的变量之间存在的是一种依存因果的关系，那么应该以“因”的变量为X ,以“果”的变量为Y 。如果变量之间并无因果关系，则应以易于测定、较为稳定或变异较小者为X 。 ⒊ 在回归分析中，因变量是随机变量，自变量既可以是随机变量（II型回归模型，两个变量应该都服从正态分布），也可以是给定的量（I型回归模型，这时，与每个X 取值相对应的变量Y必须服从正态分布），如果数据不符合要求，在进行回归分析前，必须先进行变量的变换。 ⒋ 回归方程建立后必须作假设检验，只有经假设检验拒绝了无效假设，回归方程才有意义。 ⒌ 使用回归方程计算估计值时，不可把估计的范围扩大到建立方程时的自变量的取值范围之外。 线性相关和回归的区别与联系 区别： ⒈ 相关系数的计算只适用于两个变量都服从正态分布的情形，而在回归分析中，因变量是随机变量，自变量既可以是随机变量（II型回归模型，两个变量都应该服从正态分布），也可以是给定的量（I型回归模型，这时，与每个X 取值相对应的变量Y必须服从正态分布）。 ⒉ 线性相关表示两个变量之间的相互关系是双向的，回归则反映两个变量之间的依存关系，是单向的。 联系： 1.如果对同一资料进行相关与回归分析，则得到的相关系数r与回归方程中的b正负号是相同的。 2.在相关分析中，求出r后要进行假设检验，同样，在回归分析中，对b也要进行假设检验。实际上，通过数学推导，对同一样本可以得出r与b互化的公式，同一样本的这两种假设检验也是等价的。因此，由于r的假设检验可以直接查表，较为简单，所以可以用其代替对b的假设检验。 3. 相关回归可以互相解释。 练习 两数值变量相关关系越强，表示 A. 相关系数越大 B. 相关系数的绝对值越大 C. 回归系数的绝对值越大 D. 回归