医学统计学课件-多元线性回归.pptVIP

整个方程有统计学意义 各自变量的参数估计 对偏回归系数的假设检验 注意 变量 回归系数bj 标准化偏回归系数b’j X1 0.14245 0.07758 X2 0.35147 0.30931 X3 -0.27059 -0.33948 X4 0.6382 0.39774 偏回归系数 偏回归系数标准误 标准偏回归系数 三、回归效果的评价 评价回归方程回归效果的优劣是回归分析的重要内容之一。常用评价指标有： 复相关系数、 决定系数、 校正决定系数、 剩余标准差等。 1.复相关系数 复相关系数（R），衡量因变量Y与回归方程内所有自变量线性组合件相关关系的密切程度。 0=R=1,没有负值。 R的值越接近1，说明相关关系越密切；越接近0说明相关关系越弱。 剩余标准差 决定系数R2 校正决定系数R2adj 因变量的y变异系数 CV=（ROOT MSE/DEP MEAN）×100 因变量的y均值 第二节 逐步回归分析 1.最优子集回归法 求出所有自变量可能组合子集的回归方程的模型（共有2m－1个），按一定准则选择最优模型，常用的准则有： ①校正决定系数（考虑了自变量的个数） ②Cp准则（C即criterion，p为所选模型中变量 的个数；Cp接近（p+1）模型为最优） ③AIC(Akaike`s Information Criterion)准则；AIC 越小越好 最优子集法的局限性 如果自变量个数为4，则所有的回归有24－1＝15个；当自变量数个数为10时，所有可能的回归为 210－1＝ 1023个；……..；当自变量数个数为50时，所有可能的回归为250－1≈1015个。 二、逐步选择法 1. 前进法（forward selection） 2. 后退法（backward elimination） 3. 逐步回归法（stepwise regression）。 它们的共同特点是每一步只引入或剔除一个自变量。决定其取舍则基于对偏回归平方和的F检验 （一）前进法 自变量从无到有、从少到多 Y对每一个自变量作直线回归，对回归平方和最大的自变量作F 检验，有意义（P小）则引入。 在此基础上，计算其它自变量的偏回归平方和，选取偏回归平方和最大者作F 检验，…。 局限性：后续变量的引入可能会使先进入方程的自变量变得不重要。 * 多元线性回归分析 multiple regression  Review of basic regression concepts ?变量之间的关系: ?从数学角度看,可以分为线性关系和非线性关系。  Review of basic regression concepts ?变量之间的关系: 有时，非线性关系可以通过某种变量变换转化为线性关系。  Review of basic regression concepts ?变量之间的关系: ?从变量间相互关系的复杂程度来看，可以分为以下几种： 1. 一个变量的变化仅仅直接与另一个变量的变化有关： X Y ? 一个因变量与一个自变量之间的直接依存关系，其对应的模型是一元回归模型。  Review of basic regression concepts ?变量之间的关系: ?从变量间相互关系的复杂程度来看，可以分为以下几种： 2. 一个变量的变化直接与另一组变量的变化有关： X2 Y ? 一个因变量与三个自变量之间的直接依存关系，其对应的模型是多元（三元）回归模型。 X3 X1  Review of basic regression concepts ?变量之间的关系: ?从变量间相互关系的复杂程度来看，可以分为以下几种： 3. 一个变量的变化不仅直接与另一组变量的变化有关，而且间接地与其它一个或几个变量的变化有关： X2 Y2 ?1 二个因变量与三个自变量之间的依存关系，其对应的模型是多变量（两变量）回归模型。 X3 X1 Y1 ?2  Review of basic regression concepts ?变量之间的关系: ?从变量间相互关系的复杂程度来看，可以分为以下几种： 4. 变量之间存在着相互依存的因果关系： X2 Y2 ?1 三个因变量与四个自变量之间的依存关系，其对应的模型是路径分析模型。 X3 X1 Y1 ?2 X4 Y3 ?3 人的体重与身高、胸围 血压值与年龄、性别、劳动强度、饮食习惯、吸烟状况、家族史 糖尿病人的血糖与胰岛素、糖化血红蛋白、血清总胆固醇、甘油三脂 射频治疗仪定向治疗脑肿瘤过程中，脑皮质的毁损