医学统计学第五章线性回归.ppt

第五章线性相关和线性回归分析，1 .相关分析原理，2.bibliate过程，3 .回归分析原理，4.Regression过程，5.1元相关和回归，5.2元回归方程式，5.3logistic回归，某地方3岁儿童10人的体重X(kg )和体表面积Y(10-1m2 ) 5.1相关分析原理，1 .线性相关： (1)如果两个变量不遵循正态分布，则考虑变量变换或使用等级相关来进行分析：总体相关系数：采样相关系数：皮尔逊的简单相关分析、人员等级关系、Kendall等级关系、注：列关系表可以在“Crosstabs过程”的“ContingencyCoefficient”中计算人员列关系系数。 2 .曲线关联：两变量虽然有关联倾向，但呈非线性，但有可能的曲线倾向。 一般先变换变量，再把趋势变换成直线进行分析，或者用曲线回归法进行分析。 5.2bibliate过程，在某体检中提取了12名学生的体重和血压，目前通过相关分析过程观察学生的体重和血压是否相关。 目的：进行检查、数据转换或等级相关分析，实现步骤：1.将数据注册到SPSS，整理加工，定义变量，输入数据，pressure:血压“体重和血压. sav”、2 .正规性检查： analyze|dess ，【Variables框】为了选择需要相关分析的变量，至少需要选择两个变量。【CorrelationCoefficients复选框组】用于选择计算的相关分析指标。【flagsigncertificatecorrelations】一般选择此选项以判断结果是否用星号标记有统计意义的相关系数。 此时，P0.05的系数值旁边有星号，P0.9、R2=r2，线性回归式中：越接近1，回归效果越好。 测定某地10名三岁儿童的体重X(kg )和体表面积Y(10-1m2)，建立了体表y与体重x相关的回归方程。 实现步骤：用Scatter/Dot命令制作散点图，用菜单“graphs”|“legacy dialogs”|“scatter/dot”单击“simplescatter”命令，然后单击“Define”按钮然后在XAxis框中选择体重x变量，在YAxis框中选择体表y，然后单击“确定”按钮输出结果。 (2)正规性检查：分析状态、3 .注册过程、菜单“分析”|“注册”|“线性”命令、“体表y” ”选择“Independent(s )框”，点击“Statistics”按钮后，Enter强制返回Stepwise的只有Backward，不进入的只有Forward，不进入的只有不进入的是不进入的然后选择Estimates、Confidenceinterval、Modelfit、Descriptives，然后单击continue返回。【Estimates】输出与回归系数和相关测定相关的“Confidenceinterval”回归系数的95%的置信区间“Descriptives”的描述性统计量，点击“OK”按钮输出结果，分析了体表和体重的平均数和标准偏差。 分析：此表显示体重和体表的相关系数序列和p值。 结果输出与讨论：分析： R=0.918 (即相关系数r )，决定系数，校正的决定系数为0.823，估计值的标准误差为0.17434，分析：回归平方和为1.301，馀数平方和为0.243，F=42.798，P=0.0000.05，线性相关，即分析：非标准化系数、t统计量分别为5.616和6.542，其p值分别为0.001和0.000，均小于0.005，有显着意义。 其回归方程是，多元线性回归分析、线性相关条件下，研究两个以上自变量相对于一个因素变量的数量变化的关系，称为多元线性回归分析。多元线性回归模型是一维线性回归模型的扩展，其基本原理与一维线性回归模型相似，计算上更复杂，一般需要通过计算机完成。 偏回归系数，血清中高密度脂蛋白下降被认为是引起动脉硬化的重要原因，测定目前怀疑动脉硬化的就诊患者30人的脂蛋白aI、脂蛋白b、脂蛋白e、脂蛋白c和高密度脂蛋白中胆固醇含量实现步骤：x1:脂蛋白AI； X2 :脂蛋白b X3 :脂蛋白EX4 :脂蛋白c； y:胆固醇含量。 1 .将数据输入SPSS，组织加工，定义变量，输入数据，保存，2 .正则性检验：可搜索性，3 .注册过程，菜单将“x1、x2、x3、x4”选择为“独立(s )框”，在方法中选择“步骤”。 按一下Statistics按钮、选择Estimates、Confideceinterval、Modelfit、Descriptives，然后按一下continue返回。 选择是进入、【Options按钮】变量的显着等级还是排除。 因为这里是stepwise (阶段性回归)，所以entry是0.10Removal，请单击0.15.continue返回