医学统计学课件-相关与回归.pptVIP

直线回归分析的一般步骤 1. 绘制散点图，若呈直线趋势，则可拟合直线回归方程； 2. 求回归方程的待定系数：a 和b 3. 写出回归方程 4. 对回归方程进行假设检验； 5. 绘制回归直线； 6. 总体回归系数的区间估计。 【例】利用已知20岁男青年身高与前臂长之间存在直线相关关系，现求身高与前臂长的直线回归方程。 计算步骤 （1）列回归系数计算表，求出ΣX ，ΣY ，ΣXY ， X2 ， ΣY2 。 本例ΣX=1725 ，ΣY=454 ，ΣXY=78541 ，ΣX 2=298525 ，ΣY 2=20690 。lxx=962.5 ，lxy=226 （3）求回归系数b和截距a （4）列出回归方程 将求出的 a 和 b 代入公式 在自变量X的实测值范围，任意指定相距较远且易读的两个数值，代入直线回归方程，求出相应的Y的估计值，确定两点，用直线连接。如本例取X1=155，X2=185，则在图上确定（155，41.291）和（185，48.335）两个点，直线连接，即得出直线回归方程的图形， 回归直线的绘制 20岁男青年身高与前臂长散点图 回归系数b为样本回归系数，假设在总体回归系数β=0的总体中抽样，得出样本的b不一定为0，因此需作总体回归系数β是否为0的假设检验. 常用F检验和t检验。 回归系数的假设检验 方差分析：应变量总变异的分解 X P (X,Y) Y Y的总变异分解 Y的总变异分解 未引进回归时的总变异： (sum of squares of total) 引进回归以后的变异(剩余): (sum of squares for residuals) 无法用X解释的变异 回归的贡献，回归平方和： (sum of squares for regression) 越大，回归的效果好 方差分析用于回归系数检验的基本思想：如果X与Y之间无线性关系，则SS回归于SS剩余都是其他随机因素对Y的影响，因此描写变异的MS回归与MS剩余应近似相等，总体回归系数为0， 反之则不应为0。 Y的总变异分解 ν总＝n－1 ν回＝1 ν剩余＝n－2 回归方程的方差分析 回归系数 t检验 Sb为回归系数的标准误，Syx为各观察值 Y 距回归直线的标准差，即剩余标准差；为剩余平方和，它反映X对Y的线性影响之外的因素对Y的变异作用。在散点图中，各实测点离回归直线越近，越小，说明直线回归的估计误差越小。 【例】根据例所得b值，检验身高与前臂长 是否有直线回归关系。 （1）建立检验假设 H0：β=0, 即身高与前臂长无直线回归关系 H1：β≠0, 即身高与前臂长有直线回归关系 α=0.05 （2）计算t值 前面已经求得lXX=962.5，lXY=226，lYY=78.4，代入公式有 （3）确定P值，作出推断结论 本例υ =10-2=8，查附表2，t界值表得t0.005(8)=3.833,现tt0.005(8)，故P0.005。 按α=0.05的水准，拒绝Ho，接受H1，可认为20岁男青年身高与前臂长有直线回归关系。 1、描述两变量间的依存关系 可用直线回归来描述 。 2、利用回归方程进行预测 将X 代入直线回归方程，可得到应变量 Y 的估计值。 3、利用回归方程进行统计控制 通过X取值来控制Y的变化。 直线回归方程的应用 1.作相关回归分析要有实际意义。 不要把毫无联系的两种现象作相关回归分析。 2.相关关系不一定是因果关系，也可能是伴随关系。 3.在进行直线相关与回归分析之前，应先绘制散点图，当观察到点的分布呈直线趋势时，方可进行分析，如散点图呈曲线趋势，应进行曲线回归分析。 相关与回归分析时应注意的问题 线性相关与回归 Correlation and Regression 大量的医学科研与实践中，经常会遇到对两个变量之间关系的研究。 糖尿病病人的血糖与胰岛素水平的关系； 某人群年龄与收缩压的关系； 儿童身高与体重的关系； 动物实验中动物进食量与增加体重的关系等。 常用相关与回归分析，属双变量分析范畴（bivariate analysis）。 线性相关 （linear correlation） 当两事物或现象在数量上的协同变化呈直线趋势时则称为直线相关,又称简单相关。 用于分析双变量正态分布资料。表示两变量相关关系的重要指标就是相关系数。 直线相关的概念 对两变量关系的研究，而关心的是两个变量间是否确有