简单线性回归.docxVIP

第十一章简单线性回归 教师：骆福添中山大学公共卫生学院 教材：《卫生统计学》第7版第48次印刷方积乾，2012.8,人民卫生出版社 5800 o O o O3 85 443803075■ o O o O 3 8 5 4 43 80 30 75 ■70 5 6 60 5 5 50 45 40 5 3 30 80 11-1 14例中老年健康妇女的基础代谢与体重的回归直线 ?两个定量变量之间关联性分析的方法，研究两个变量之间线性关系 的强度和方向，两变量为同时测得的结果变量，不分主次。 ?回归分析(regression analysis)就是研究一个变量如何随另一些变 量变化的常用方法(对儿童，以年龄预测身高)。 ?因变量(dependent variable):被估计或被预测的变量，或称反应 变量(response variable),常用 丫 表示 ?自变量(independent variable):或称解释变量(exp/amtory variable), 或称预测因子(predict。,常用X表示。 ?简称线性回归(linear regression):又称简单线性回归(simple linear regression) ?非线性回归(nonlinearregression):两个连续型变量之间非线性依 存变化关系。 ?多个自变量的回归问题将在下一章介绍。 第—线性回归一.线性归的概念及其统计描述(11-2)op=0 晋甲录 第— 线性回归 一.线性 归的概念及其统计描述 (11-2) op=0 晋甲录M ?因变量y依赖于自变量X的线性回归模型(linear regression model) 舛ix =a + 0X (11-1) 其中 a 为截距(intercept) ,/3 为斜率(slope),即回归系数(regression coefficient) ?用样本数据建立丫依赖X变化的线性表达式称为线性回归方程(linear regression equation), 记为： Y=a + bX 图41』44例中老年健康妇女的基础代谢与体重的回归直线 ?图11-1是双随机正态变量，只要给出1个体重值，就可以估计该 类个体的基础代谢值丫。此模型称为II型回归。 ?图11?2自变量是人为确定的，亦具有线性趋势，称为I型回归。 EEIgG 浓度 EE IgG 浓度(IU/ml) 图11-2 IgG浓度与沉淀环直径数据的散点图 □ 归模型的适用条件 二线性 因变量丫与自变量x呈线性(伽e”)关系 每个个体观察值之间相互独立(independent) ⑶ 给定X值，变量丫均服从正态分布(normal distribution) ⑷不同的X值所对应的随机变量丫的方差相等(equal variance) 通常可利用(X, Y)的散点图或后面将介绍的残差的散点图来判断 等方差性。上述适用条件的首字母连在一起，恰好为“LINES 归参数的估计 IB Is(-)回归参数估计的最小二乘原则 IB Is (-)回归参数估计的最小二乘原则 纵向距离(近-￡)平方和最小称为最小二乘法(least squares method) 11-4基础代谢与体重间回归直线的最小二乘原则的直观表达 (-)回归参数的估计万法 按照最小二乘原则，数学上可得到a和b的计算公式如下: ￡（兀-可（必-刁 b = J （/ = 1，2，???理） （11-3） a-y-bx （11-4） 例竹』计算例竹?1的基础代谢(V)关于体重(X)的线性回归方程。 1.由例竹?2计算结果代入式(11?3),求回归系数b ￡（兀-可（必-亍） b =耳 =61.4229 2.用式（114俅截距a —?— 63232.9 厶 7*77.2 j a = y-bx = 61.4229 x = 1106.7864 丿 14 14 ?得回归方程为P =1106.79+ 61.42X ?同理,前述沉淀环直径依存IqG浓度的回归方程为 Y = 3.02 + 1.12X !1! ■总体回归系数0的统计推断 (-)方差分析 ?距离丫-？可分成两段：Y-Y = Y-Y + Y-Y 它的大小与回归系数b 它的大小与回归系数b有关，问越大，f-P也越大；反之亦然。 数学推导得： ?丫 - Y)2 = _ Y)2 +-f)2 即:(11-5) 即: (11-6) 总SS^SS 总-SS 盲 1丫丫_ 严 (11-8) 总 上述三项的自由度分别为： 总=—回=1，残=—2 (11?9) 方差分析，H。件0, H邙杓检验统计量F为: MS回 SS回 加残= SS残 例11-2对例仆1中的样本回归方程作假设检验（用方差分析法）。 H。：滋0即基础代谢与体重之间无线性回归关系 出僻0即基础代谢与体重之间有