生物统计（技术）：直线相关与直线回归.ppt

第十章  直线相关与直线回归 问题的引入 变量间关系问题：身高~体重、凝血时间～凝血酶浓度、肺活量~体重、药物剂量与动物死亡率等。 相关分析——用于研究事物或现象之间有无相关关系（或互依关系）、关系的方向和密切程度。 回归分析——用于研究事物或现象之间的数量依存关系。 相关分析和回归分析都属于双变量分析范畴。 第一节 直线相关分析 一、直线相关的概念 二、相关系数的意义及计算 三、相关系数的假设检验 一、直线相关的概念 直线相关(linear correlation): 又称简单相关(simple correlation)，用于研究两个来自正态分布总体的连续性随机变量X和Y之间的线性关系。 最直观的方法是绘制散点图。 实 例 二、相关系数的意义及计算 相关系数(correlation coefficient)：又称积差相关系数，是反映两个变量线性关系的方向和密切程度的指标，用符号r 表示。 相关系数的特点： ① r 是没有单位的数值，取值范围为 ② ③ 图7－4 相关系数示意图 应当注意的几点： Rr是样本相关系数，是总体相关系数 的估计值。 相关关系并不一定是因果关系，只反映两变量的互依或伴随关系。 相关分析的任务是对相关关系给予定量的描述。 相关系数的计算： 三、相关系数的假设检验 r≠0原因：① 由于抽样误差引起，ρ=0 ② 存在相关关系， ρ≠0 （二）查表法： 根据自由度查相关系数r界值表（附表12）。 K=1,自由度v ，查r0.05 ,r0.01。 R r0.05 , p0.05,相关。 表1 12名女大学生身高与体重的相关 r=0.8342  一、直线回归的概念 二、直线回归方程的建立 三、样本回归系数的假设检验 四、直线回归的图示法——回归线 五、回归方程的应用 一、直线回归的概念 直线回归(linear regression): 又称简单回归(simple regression)，是研究两个连续性变量X和Y之间的数量依存关系。 这种数量依存关系，并非两变量一一对应的函数关系，而是回归关系。 例如：园周长与半径 y=2πr 。（函数关系） 血压和年龄的关系等（回归关系） 假设两个变量X、Y中，当一个变量X改变时，另一个变量Y也相应地改变，此时称X为自变量(independent variable)，通常也称作“解释变量”；称Y为因变量(dependent variable)或反应变量(response variable)。 直线回归分析的目的，是建立直线回归方程，以找到一条最接近于各实测点的直线，描述自变量和因变量之间的回归关系。 二、直线回归方程的建立 一般表达式： 截距a和斜率b的估计： 最小二乘法原则(least square method)：使各散点到直线的纵向距离的平方和最小。即使 最小。 实 例 三、回归系数的假设检验 b≠0原因：① 由于抽样误差引起，总体回归系数β=0 ② 存在回归关系，总体回归系数β ≠0 四、直线回归的图示法——回归线 五、回归方程的应用 表2 温度与蛙的心率 对象 温度（cm) (X) 心率(kg) (Y) 1 2 5 2 4 11 3 6 11 4 8 14 5 10 22 6 12 23 7 14 32 8 16 29 9 18