最新12一般线性回归分析汇总

8
6 因变量总变异的分解
P
(X,Y)

Y
（Y Y） （Y Y）

（Y Y）
Y X

Y
Y
9
Y的总变异分解
Y Y Yˆ Y Y Yˆ
Y Y 2 Yˆ Y 2 Y Yˆ 2
总变异 SS总
回归平方和 剩余平方和
SS回
SS剩
10
Y的总变异分解
病程 (X2)
10.0 3.0 15.0 3.0 4.0 6.0 2.9 9.0 5.0 2.0 8.0 20.0
表 12-1 脂联素水平与相关因素的测量数据
空腹
回归模空型腹 ？
瘦素
脂联 BMI 病程 瘦素
脂联
(X3)

血糖 (X4)
素(Y)
(X1)
(X2)
(X3)
血糖 素(Y) (X4)
5.75 13.6 29.36 21.11 9.0 4.90 6.0 17.28
H 0： 1 2 3 4 0 ，即总体中各偏回归系数均为0； H 1：总体中各偏回归系数不为0或不全为0；
= 0.05。
2 计算检验统计量： 3 确定P值，作出推断结论。
拒绝H0，说明从整体上而言，用这四个自变量构成 的回归方程解释糖尿病患者体内脂联素的变化是有统 计学意义的。
的平方和 (Y Yˆ)2为最小。
只有一个自变量
两个自变量
例12-1 为了研究有关糖尿病患者体内脂联素水平的影响因 素，某医师测定30例患者的BMI、病程、瘦素、空腹血糖， 数据如表12-1所示。
BMI (X1)
24.22 24.22 19.03 23.39 19.49 24.38 19.03 21.11 23.32 24.34 23.82 22.86

校正决定系数、Cp准则、AIC准则
逐步选择法
后退法 前进法 逐步回归法
（一）全局择优法
根据一些准则建立 “最优”回归模型
校正决定系数（考虑了自变量的个数） Cp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） AIC (Akaike’s Information Criterion)准则；
Model 1
(Const ant )
B -2262.081
St d. Error 1081 .870
X1
48.135
22.058
X2
38.550
13.346
X3
104.585
74.361
a. Dependent Variable: Y
St andardized Co effi ci ents
Bet a
.8 84a
.7 81
.7 40 216.0570 680
a. Predictors: (Constant), X3, X2, X1
R （复相关系数）
0.884
R Square （决定系数）
0.781
Adj R-Sq （校正决定系数）
0.740
Std.Error of the Estimate （剩余标准差）
3
Regressi on 2664 484.494
Resi dual
7468 90.5 06
Tot al
3411 375.000
4
Regressi on 2572 146.452
Resi dual
8392 28.5 48
Tot al
3411 375.000

回归是回归分析中最基本、最简单的一种，
回归方程
一、直线回归方程的一般表达式为
ˆ a bX Y

(12 1)
ˆ Y 为各X处Y的总体均数的估计。
回归方程的应用
一、线性回归的主要用途 1．研究因素间的依存关系 自变量和应变 量之间是否存在线性关系，即研究一个或多个 自变量对应变量的作用，或者应变量依赖自变 量变化而变化的规律。
否存在实际意义。 3．两变量间存在直线关系时，不一定
表明彼此之间就存在因果关系。
4．建立回归方程后，须对回归系数
进行假设检验。
5. 使用回归方程进行估计与预测时，
一般只适用于原来的观测范围，即自变量
的取值范围，不能随意将范围扩大。
6. 在线性回归分析时，要注意远离
群体的极端值对回归效果的影响。
表12-1 12只大白鼠的进食量（g）与体重增加量(g)测量结果
序号 (1) 1 2 3 4 5 6 7 8 9 10 11 12 合计
X 进食量(g)
(2) 305.7 188.6 277.2 364.8 285.3 244.7 255.9 149.8 268.9 247.6 168.8 200.6 2957.9 (Σ X)
目前，“回归”已成为表示变量 之间某种数量依存关系的统计学术语， 并且衍生出“回归方程”“回归系数”
等统计学概念。如研究糖尿病人血糖
与其胰岛素水平的关系，研究儿童年 龄与体重的关系等。
两相关变量的散点图
一、直线回归的概念
目的：研究应变量Y对自变量X的数量依 存关系。
特点：统计关系。 X值和Y的均数的关系，
不同于一般数学上的X 和Y的函数 关系。
为了直观地说明两相关变量的线性 依存关系，用表12-1第（2）、（3）

线性回归分析线性回归是一种用来建立和预测变量间线性关系的统计分析方法。

它可以帮助我们了解变量之间的相互影响和趋势，并将这些关系用一条直线来表示。

线性回归分析常被应用于经济学、社会科学、自然科学和工程等领域。

一、概述线性回归分析是一个广泛使用的统计工具，用于建立变量间的线性关系模型。

该模型假设自变量（独立变量）与因变量（依赖变量）之间存在线性关系，并通过最小化观测值与模型预测值之间的误差来确定模型的参数。

二、基本原理线性回归分析基于最小二乘法，通过最小化观测值与模型预测值之间的残差平方和来确定模型的参数。

具体来说，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到Xn是自变量，β0到βn是回归系数，ε是误差项。

回归系数表示自变量对因变量的影响程度。

三、应用步骤进行线性回归分析时，通常需要以下几个步骤：1. 收集数据：获取自变量和因变量的样本数据。

2. 建立模型：根据数据建立线性回归模型。

3. 评估模型的准确性：通过计算残差、决定系数等指标来评估模型的准确性。

4. 进行预测和推断：利用模型对未知数据进行预测和推断。

四、模型评价指标在线性回归分析中，有几个常用的指标用于评价模型的准确性：1. R平方值：R平方值表示因变量的变异性能够被模型解释的比例，数值范围为0到1。

R平方值越接近1，表示模型对数据的拟合程度越好。

2. 残差分析：进行残差分析可以帮助我们判断模型是否符合线性回归的基本假设。

一般来说，残差应该满足正态分布、独立性和等方差性的假设。

五、优缺点线性回归分析有以下几个优点：1. 简单易懂：线性回归模型的建立和解释相对较为简单，无需复杂的数学知识。

2. 实用性强：线性回归模型适用于很多实际问题，可以解决很多预测和推断的需求。

然而，线性回归分析也存在以下几个缺点：1. 假设限制：线性回归模型对于变量间关系的假设比较严格，不适用于非线性关系的建模。