医学信息分析实习指导-回归分析.ppt

输出结果 表 1 图 1 一元线性回归分析 直线回归 Analyze → Regression ? → Linear…打开Linear Regression对话框，将bloodsi变量调入Dependent:栏中，将hairsi变量调入Independent(s):栏中， → OK完成。 输出结果 表 2 表 3 F=34.156，P 0.001。说明回归方程有意义。 一元线性回归分析 结果判读 表4显示了回归方程中的系数及针对该系数所做的假设检验。本例截距（又称常数项）a=-6.943， hairsi变量的系数（即直线回归系数）b=0.239，则直线回归方程为： 表5显示了回归分析的一些其它统计信息（相关系数R、决定系数R2等）。本例R2=0.774（双侧）。 输出结果 表 4 表 5 R=0.880, R2=0.774。 一元线性回归分析 练习1：数据文件well being.sav为25名大学生的社会支持（x）和心理健康（y）得分的数据，利用spss完成线性回归分析。 （1）写出回归方程，回答回归方程是否具有统计学意义，为什么？ （2）说明社会支持得分能够解释心理健康得分变异的百分比。 （3）写出操作过程。 将答案写在实验报告上 多元线性回归分析 建立数据文件（见多元线性回归.sav） 适用条件判断 略。 多元线性回归分析（ Enter ） Analyze → Regression ? → Linear…打开Linear Regression对话框，将y变量(血红蛋白)调入Dependent:栏中，将x1、x2、x3变量(钙、铁、锰)调入Independent(s):栏中， → OK完成。 表 6 表 7 复相关系数R = 0.802 输出结果 输出结果 表 8 表 9 钙(X1)与锰(X3)的P均 0.05。说明二者均无统计学意义。 Standardized Coefficient — 标准化系数 多元线性回归分析 多元线性回归分析（调整） 由于出现两个没有统计学意义的自变量（ x1与x3），因此在调整自变量的组成时，最佳策略是首先把最没意义的变量（ x3 ）去掉，由其余变量（ x1与x2 ）再重做多元线性回归分析。 输出结果 复相关系数R = 0.799 表 10 表 11 输出结果 表 12 表 13 钙(X1)与铁(X2)的P均 0.05。说明二者都有统计学意义。 多元线性回归分析 本例最后得到的优化的多元回归方程为： 注意：在比较x1与x2 的系数（0.053与0.032）对因变量的作用时，不能直接比，而应该选用标准化系数（ Standardized Coefficient ）进行比较。x1与x2 的标准化系数分别为0.323和0.821，说明x2对因变量的作用要大于x1。 多元逐步回归 由于多元线性回归分析是研究一个因变量和多个自变量之间线性依存关系，而在多个自变量中，不一定每一个变量对因变量的影响都有统计学意义，因此需要通过某种方法寻找出一个最优化的多元回归方程，即能够使方程中的每一个自变量对因变量的影响都有统计学意义。 多元逐步回归就是一个利用逐步（stepwise）选择有统计学意义的自变量的过程来获得最优化的多元回归方程的统计学方法。 多元逐步回归 打开数据文件（见多元线性回归.sav） 多元逐步回归分析（ Stepwise ） Analyze → Regression ? → Linear…打开Linear Regression对话框，将y变量(血红蛋白)调入Dependent:栏中，将x1、x2、x3变量(钙、铁、锰)调入Independent(s):栏中，在Method:下拉框中点击选择stepwise ，→OK完成。 多元逐步回归 结果判读 输出结果见表14~17。 表14中显示了多元逐步回归的步骤。第一步引进自变量x2 , 第二步引进自变量x1 。二者使用的准则(Criteria)都是：引进的概率P≤0.050，剔除的概率P≥0.100 。 表15显示了第一步引进自变量x2 ，R2=0.542；第二步引进自变量x2和 x1，R2=0.639。 输出结果 表 14 表 15 多元逐步回归 结果判读 表16显示了第一步引进自变量x2 后的回归方程有意义 （F=21.265，P 0.001 ）；第二步引进自变量x2和 x1后的回归方 程也有意义（F=15.023，P 0.001 ）。 表