下载文档原格式
1、答：实验数据为:图一实验数据图首先得到散点图，观察身高与肺死腔容积是否具有线性关系。
Graph-Scatter/Dot-simple scatter,x图二15名儿童身高与肺死腔容积散点图从图中可知，肺死腔容量随着身高增加而增加，且呈直线变化趋势。
回归方程的截距和系数求解为：Analyze-Regression-Linear,将y放入Dependent, x放入Independent中，结果为：图三回归系数和截距结果图从上图得，截距为-89.771，回归系数为1.069.回归系数等于0的假设检验：建立假设、确定检验水准α。
H0:β=0,即儿童的身高与肺死腔容积无直线关系。
H1:β≠0,即儿童的身高与肺死腔容积有直线关系。
检验水准α=0.05计算检验统计量F值，确定P值。
图四方差齐性结果图从上图得，F=42.629，概率P<0.05，即拒绝H0,接受H1，可认为儿童的身高与肺死腔容积有直线关系。
证明：由图三和图四可得，t b=6.529=√F=6.529。
估计回归系数的95%置信区间：Analuze-Regression-Linear-save，勾上Mean，结果如下,图五总体回归系数置信区间得总体回归系数95%置信区间为(13.664,109.797)。
2、答：实验数据为：图一实验数据图首先得到散点图，观察凝血时间与凝血酶浓度是否具有线性关系。
Graph-Scatter/Dot-simple scatter,x变量放入X Axis,与y变量放入Y Axis,OK.结果如下，图二15名健康成人凝血时间与凝血酶浓度散点图从图中可知，凝血酶浓度随着凝血时间增加而减少，且呈直线变化趋势。
其次进行双变量正态检验：对x进行正态检验，结果为，图三 x变量正态检验结果图从上图可知，概率P>0.05，即x变量服从正态变量。
以凝血酶浓度和凝血时间作直线回归，并进行残差分析。
Analyze-Regression-Linear,将y放入Dependent, x放入Independent中，结果为：图四回归系数和截距结果图从上图得，截距为2.816，回归系数为-0.123.并且从上图得，概率P<0.05，即拒绝H0,接受H1，可认为凝血时间与凝血酶浓度有直线关系。
医学统计学多重线性回归分析多重线性回归分析是一种用于确定多个自变量与一个因变量之间关系的统计方法。
在医学研究中，多重线性回归可以用于探讨多个潜在因素对人体健康和疾病发生的影响。
在多重线性回归中，因变量是要被预测或解释的变量，而自变量是可以用来预测或解释因变量的变量。
医学研究中可能存在多个自变量，因为人体健康和疾病发生是受多个因素综合影响的。
多重线性回归分析可以帮助我们确定每个自变量对因变量的相对重要性，并估计它们的效应。
多重线性回归模型可以表示为：Y=β0+β1X1+β2X2+...+βnXn+ε其中，Y是因变量，X1,X2,...,Xn是自变量，β0,β1,β2,...,βn 是模型的回归系数，ε是误差项。
多重线性回归分析的目标是通过估计回归系数来确定自变量对因变量的影响。
回归系数表示自变量单位变化对因变量的影响程度。
通过检验回归系数的显著性，可以判断自变量是否对因变量有统计上显著的影响。
此外，回归系数的符号可以指示自变量与因变量之间的正向或负向关系。
多重线性回归分析的步骤如下：1.收集数据：收集包括因变量和自变量的数据，通常需要足够的样本量来保证结果的可靠性。
2.数据清洗：对数据进行初步的清洗和整理，包括处理缺失值、异常值和离群值等。
3.模型构建：根据研究目的和理论背景选择自变量，并构建多重线性回归模型。
4.模型估计：通过最小二乘法估计回归系数。
最小二乘法通过最小化观测值与模型预测值之间的差异来确定回归系数。
5.模型诊断：对模型进行诊断检验，包括检验残差的正态性、线性性、同方差性等。
如果模型不符合假设条件，需要进行适当的修正。
6.结果解释：通过回归系数的显著性和效应大小来解释结果，确定自变量的影响和重要性。
多重线性回归分析常用的统计指标包括回归系数、标准误、P值和决定系数。
回归系数表示自变量单位变化对因变量的平均影响。
标准误表示回归系数的估计精度。
P值表示回归系数是否统计显著，一般认为P值小于0.05为显著。
