相关与回归分析课件.ppt

第十章线性相关与回归

regressionandcorrelation叶孟良变量间关系问题：年龄~身高、肺活量~体重、药物剂量与动物死亡率等。两种关系：依存关系：应变量(dependentvariable)Y随自变量(independentvariable)X变化而变化。123654——相关分析互依关系：变量Y与变量X间的彼此依赖关系。——回归分析01线性相关线性回归02内容：直线相关相关----变量间的互依关系直线相关(linearcorrelation)：简单相关(simplecorrelation)，用于双变量正态分布资料。散点图为了确定相关变量之间的关系，首先应该收集一些数据，这些数据应该是成对的。例如，每人的身高和体重。然后在直角坐标系上描述这些点，这一组点集称为散点图。为了研究父亲与成年儿子身高之间的关系，卡尔.皮尔逊测量了1078对父子的身高。把1078对数字表示在坐标上，如图。用水平轴X上的数代表父亲身高，垂直轴Y上的数代表儿子的身高，1078个点所形成的图形是一个散点图。它的形状象一块橄榄状的云，中间的点密集，边沿的点稀少，其主要部分是一个椭圆。图10-2相关系数示意图散点呈椭圆形分布，X、Y同时增减---正相关（positivecorrelation)；X、Y此增彼减---负相关(negativecorrelation)。散点在一条直线上，X、Y变化趋势相同----完全正相关;反向变化----完全负相关。01.图10-2相关系数示意图02.X、Y变化互不影响----零相关(zerocorrelation)非线性相关相关系数(correlationcoefficient)，又称积差相关系数（coefficientofproduct–momentcorrelation），或Pearson相关系数（软件中常用此名称）说明相关的密切程度和方向的指标。r——样本相关系数一、相关系数概念r无单位，-1≤r≤1。r值为正——正相关，010102030405为负——负相关；（与后面回归系数b的符号相同）|r|=1---完全相关，|r|=0---零相关。02030405二、相关系数的意义三、相关系数的计算例10.1从男青年总体中随机抽取11名男青年组成样本，分别测量每个男青年的身高和前臂长，测量结果如表10-1所示，试计算身高与前臂长之间的相关系数。编号身高（x)前臂长（y）Xyx2y2117047799028900220921734272662992917643160447040256001936415541635524025168151734781312992922096188509400353442500717847836636842209818346841833489211691804988203240024011016543709527225184911166443174285612116合计18915008618532608122810表10-112名男青年身高与前臂长的测量结果散点图21r≠0原因：①由于抽样误差引起，ρ=0存在相关关系，ρ≠0Sr----相关系数的标准误公式，υ＝n-243四、相关系数的假设检验五、总体相关系数?的区间估计（了解）进行线性相关的注意事项相关系数ρ0表示正相关，相关系数ρ0表示负相关，相关系数ρ=0表示无线性相关，并不表示没有任何关系。资料要求双变量正态分布。对相关系数要做假设检验相关未必有真联系，两变量间相关关系是一种共变关系，不一定就代表因果关系。0102实例散点图函数关系：确定。例如圆周长与半径：y=2πr。01回归关系：不确定。例如血压和年龄的关系，称为直线回归(linearregression)。02目的：建立直线回归方程(linearregressionequation)03根据大量实测数据，寻找出其规律性，寻求一个直线方程来描述两个变量间依存变化的近似的线性数量关系，即线性回归关系，这样得出的直线方程叫做线性回归方程。0