第8版医学统计学简单线性回归PPT课件.pptxVIP

第8版医学统计学简单线性回归

目录

02

理论基础

01

引言与概述

03

模型构建

04

参数估计

05

假设检验与诊断

06

实际应用

引言与概述

01

统计模型核心

采用最小二乘法估计回归系数，通过最小化残差平方和（Σ(yi-ŷi)²）得到参数估计值b₀和b₁，其中b₁的计算公式为协方差与自变量方差的比值（lxy/lxx），b₀由样本均值点（X̄,Ȳ）满足回归方程的性质推导得出。

参数估计方法

模型假设条件

需满足LINE原则，包括线性关系（Linear）、误差项独立性（Independent）、正态性（Normaldistribution）和方差齐性（Equalvariance），这些假设是后续统计推断有效性的基础。

简单线性回归是通过最小二乘法建立的描述两个变量间线性关系的统计模型，其数学表达式为Y=β₀+β₁X+ε，其中β₀为截距项，β₁表示自变量X每变化一个单位时因变量Y的平均变化量，ε为满足独立同分布假设的随机误差项。

简单线性回归基本定义

常用于分析连续型医学指标间的数量依存关系，如基础代谢率与体重的关系研究，通过回归方程Y=1106.79+61.42X定量描述体重每增加1kg时代谢率的预期变化。

生理指标关联分析

适用于I型回归场景，当研究者控制药物剂量（固定X）时，分析血药浓度或疗效指标（随机Y）的剂量-反应关系，为给药方案制定提供依据。

药物剂量效应研