第6讲线性相关和回归 赵耐青 在实际研究中,经常要考察两个指标之间的关系,即:相关 性。现以体重与身高的关系为例,分析两个变量之间的相关性。 要求身高和体重呈双正态分布,既:在身高和体重平均数的附近 的频数较多,远离身高和体重平均数的频数较少。 样本相关系数计算公式(称为 Pearson相关系数) ∑(X-Xy-y) (X 1.考察随机模拟相关的情况 显示两个变量相关的散点图程序 simu ado(本教材配套程序,使用见 前言)。命令为 Simar样本量总体相关系数 如显示样本量为100,p=0的散点图 本例命令为 timur1000
第 6 讲 线性相关和回归 赵耐青 在实际研究中，经常要考察两个指标之间的关系，即：相关 性。现以体重与身高的关系为例，分析两个变量之间的相关性。 要求身高和体重呈双正态分布，既：在身高和体重平均数的附近 的频数较多，远离身高和体重平均数的频数较少。 样本相关系数计算公式(称为 Pearson 相关系数)： ( ) ( ) ( )( ) 2 2 XX YY XY L L L X X Y Y X X Y Y r = − − − − = (1) 1. 考察随机模拟相关的情况。 显示两个变量相关的散点图程序 simur.ado（本教材配套程序,使用见 前言）。命令为 simur 样本量 总体相关系数 如显示样本量为 100，=0 的散点图 本例命令为 simur 100 0
如显示样本量为200,p=08的散点图 本例命令为 tImur2000.8 如显示样本量为200,p=099的散点图 本例命令为smur200099
如显示样本量为 200，=0.8 的散点图 本例命令为 simur 200 0.8 y1 y 2 -4 -2 0 2 4 -4 -2 0 2 如显示样本量为 200，=0.99 的散点图 本例命令为 simur 200 0.99 y1 y 2 -4 -2 0 2 -2 -1 0 1 2
如显示样本量为200,p=099的散点图 本例命令为 sImul2000.99 例1.测得某地15名正常成年男子的身高x(cm)、体重y(kg)如 试计算x和y之间的相关系数r并检验H:p=0vsH1:p≠0。 =0.05
y1 y 2 -4 -2 0 2 4 -4 -2 0 2 4 如显示样本量为 200，=-0.99 的散点图 本例命令为 simur 200 -0.99 y1 y 2 -4 -2 0 2 4 -4 -2 0 2 4 例 1. 测得某地 15 名正常成年男子的身高 x（cm）、体重 y（kg）如 试计算 x 和 y 之间的相关系数 r 并检验 H0：＝0 vs H1: 0。 =0.05
数据格式为 176.0 175.0 172.0 170.0 173.0 168.0 172.0 明4868642 170.0 172.0 173.0 168.0 60.0 171.0 68.0 172.0 76.0 173.0 Stata命令 pwcorr变量1变量2…变量m,sig 本例命令 pwcorr X y,sig pwcorrxy, sig y 1.0000 y 0.59941.0000 Pearson相关系数=0.5994,P值=00182<0.05,因此可以认为身高与体 重呈正线性相关
数据格式为 X Y 171.0 58.0 176.0 69.0 175.0 74.0 172.0 68.0 170.0 64.0 173.0 68.5 168.0 56.0 172.0 54.0 170.0 62.0 172.0 63.0 173.0 67.0 168.0 60.0 171.0 68.0 172.0 76.0 173.0 65.0 Stata 命令 pwcorr 变量 1 变量 2 … 变量 m，sig 本例命令 pwcorr x y,sig pwcorr x y,sig | x y -------------+------------------ x | 1.0000 | | y | 0.5994 1.0000 | 0.0182 | Pearson 相关系数=0.5994，P 值=0.0182<0.05，因此可以认为身高与体 重呈正线性相关
注意: Pearson相关系数又称为线性相关系数并且要求X和Y双正态 分布,通常在检查中要求X服从正态分布并且Y服从正态分布。 如果不满足双正态分布时,可以计算 Spearman相关系数又称为非参 数相关系数。 Spearman相关系数的计算基本思想为:用Ⅹ和Y的秩代替它们的原 始数据,然后代入 Pearson相关系数的计算公式并且检验与 Pearson 相关系数类同 Stata实现 spearman Number fobs 15 Spearman'srho 0.6552 Test of Ho: x and y are independent Prob>t 0.0080 stata计算结果与手算的结果一致。结论为身高与体重呈正相关,并且 有统计学意义 直线回归 例2为了研究3岁至8岁男孩身高与年龄的规律,在某地区在3岁 至8岁男孩中随机抽样,共分6个年龄层抽样:3岁,4岁,…,8 岁,每个层抽10个男孩,共抽60个男孩。资料如下 60个男孩的身高资料如下 龄 3岁 4岁5岁6 7岁8岁 92.5 96.5 106.0 115.5125.5 121.5 身 97.0 101.0 104.0 115.5 117.5 128.5 96.0 105.5 107.0 111.5 118.0 124
注意：Pearson 相关系数又称为线性相关系数并且要求 X 和 Y 双正态 分布，通常在检查中要求 X 服从正态分布并且 Y 服从正态分布。 如果不满足双正态分布时，可以计算 Spearman 相关系数又称为非参 数相关系数。 Spearman 相关系数的计算基本思想为：用 X 和 Y 的秩代替它们的原 始数据，然后代入 Pearson 相关系数的计算公式并且检验与 Pearson 相关系数类同。 Stata 实现 spearman x y Number of obs = 15 Spearman's rho = 0.6552 Test of Ho: x and y are independent Prob > |t| = 0.0080 stata 计算结果与手算的结果一致。结论为身高与体重呈正相关，并且 有统计学意义。 直线回归 例 2 为了研究 3 岁至 8 岁男孩身高与年龄的规律，在某地区在 3 岁 至 8 岁男孩中随机抽样，共分 6 个年龄层抽样：3 岁，4 岁，…，8 岁，每个层抽 10 个男孩，共抽 60 个男孩。资料如下： 60 个男孩的身高资料如下 年龄 3 岁 4 岁 5 岁 6 岁 7 岁 8 岁 身 高 92.5 96.5 106.0 115.5 125.5 121.5 97.0 101.0 104.0 115.5 117.5 128.5 96.0 105.5 107.0 111.5 118.0 124.0
96.5 102.0 109.5 110.0 117.0 125.5 97.0 105.0 111.0 14.5122.0122.5 99.5 107.5112.5 96.5 102.0 107.0 116.5119.0 120.5 91.0 100.0111.5 110.0125.5123.0 96.0106.5103.0114.5120.5124.0 99.0 100.0 109.0110.0 平均身高95.4 101.8 107.6 113.1 120.6 124.0 由于男孩的身高与年龄有关系,不同的年龄组的平均身高是不同 的,由平均身高与年龄作图可以发现:年龄与平均身高的点在一条直 线附近 考虑到样本均数存在抽样误差,故有理由认为身高的总体均数与 年龄的关系可能是一条直线关系=a+Bx,其中y表示身高,x表示 年龄。由于身高的总体均数与年龄有关,所以更正确地标记应为 uix=a+B) 表示在固定年龄情况下的身高总体均数。 上述公式称为直线回归方程。其中β为回归系数( regression coefficient),或称为斜率( slope);α称为常数项( constant),或称为
96.5 102.0 109.5 110.0 117.0 125.5 97.0 105.0 111.0 114.5 122.0 122.5 92.0 99.5 107.5 112.5 119.0 123.5 96.5 102.0 107.0 116.5 119.0 120.5 91.0 100.0 111.5 110.0 125.5 123.0 96.0 106.5 103.0 114.5 120.5 124.0 99.0 100.0 109.0 110.0 122.0 126.5 平均身高 95.4 101.8 107.6 113.1 120.6 124.0 由于男孩的身高与年龄有关系，不同的年龄组的平均身高是不同 的，由平均身高与年龄作图可以发现：年龄与平均身高的点在一条直 线附近。 age height Fitted values 2 4 6 8 90 100 110 120 130 考虑到样本均数存在抽样误差，故有理由认为身高的总体均数与 年龄的关系可能是一条直线关系 = + x y ，其中 y 表示身高，x 表示 年龄。由于身高的总体均数与年龄有关，所以更正确地标记应为 = + x y|x 表示在固定年龄情况下的身高总体均数。 上述公式称为直线回归方程。其中为回归系数（regression coefficient），或称为斜率（slope）；称为常数项（constant），或称为
截距( Intercept)。回归系数β表示x变化一个单位y平均变化β个单位。 当x和y都是随机的,x、y间呈正相关时β>0,x、y间呈负相关时β<0, x、y间独立时β=0。 一般情况而言,参数和β是未知的。对于本例而言,不同民族和 不同地区,和β往往是不同的,因此需要进行估计的。由于不同年 龄的身高实际观察值应在对应的身高总体均数附近(即:实际观察值 与总体均数之间仅存在个体变异的差异),故可以用年龄和实际身高 观察值的资料对未知参数α和β进行估计。得到样本估计的回归方程 y=a+bx 、直线回归方程的建立 直线回归分析的 Stata实现 数据结构: 97 96.5 91 4 105.5 102 4
截距（intercept）。回归系数表示 x 变化一个单位 y 平均变化个单位。 当 x 和 y 都是随机的，x、y 间呈正相关时>0，x、y 间呈负相关时<0， x、y 间独立时=0。 一般情况而言，参数和是未知的。对于本例而言，不同民族和 不同地区，和往往是不同的，因此需要进行估计的。由于不同年 龄的身高实际观察值应在对应的身高总体均数附近(即：实际观察值 与总体均数之间仅存在个体变异的差异)，故可以用年龄和实际身高 观察值的资料对未知参数和进行估计。得到样本估计的回归方程 y a bx ˆ = + 二、直线回归方程的建立 直线回归分析的 Stata 实现： 数据结构： x y 3 92.5 3 97 3 96 3 96.5 3 97 3 92 3 96.5 3 91 3 96 3 99 4 96.5 4 101 4 105.5 4 102 4 105 4 99.5 4 102 4 100
106.5 455555555556 104 107 51111 10 5 115.5 6 115.5 111.5 114.5 666666677 112.5 116.5 114.5 110 125.5 117.5 119 125.5 120.5 778888888888 121.5 128.5 124 122.5 123.5 120.5 126.5
4 106.5 4 100 5 106 5 104 5 107 5 109.5 5 111 5 107.5 5 107 5 111.5 5 103 5 109 6 115.5 6 115.5 6 111.5 6 110 6 114.5 6 112.5 6 116.5 6 110 6 114.5 6 110 7 125.5 7 117.5 7 118 7 117 7 122 7 119 7 119 7 125.5 7 120.5 7 122 8 121.5 8 128.5 8 124 8 125.5 8 122.5 8 123.5 8 120.5 8 123 8 124 8 126.5
多重线性回归命令为 regress因变量自变量1自变量2…自变量m 直线回归命令 regress因变量自变量 本例为 regress y X,得到下列结果 Source I F(1,58)=77.41 Mode1|5997.7157115997.71571 =0.0000 Residual447.467619587.71495895 R-squared = 0. 9306 +- Adj r-squared 0 9294 Total6445.18333 109.240395 Root mse =2.7776 Coef. Std. Err t P>ItI [95% Conf. Interval 209965427.880.0005.4339946.274577 ons|78.184761.20920264 0.00075.7642880.60524 得到回归系数b=5854286,常数项a=78.18746,回归系数的检验统计 量tb=2788,P值<0.0001,可以认为Y与Ⅹ呈直线回归关系 来源平方和SS自由度df均方MS 回归5997.71571 5997.71571777.41 0.0001 残差447.467619 7.71495895 合计6445.18333 59 称R2=1-差为决定系数(本例 Stata计算结果R- squared=0.930,因此 0<R2≤1,因此残差平方和SSE越小,决定系数R就越接近1。特别 当所有的残差为0时,SSE=0,相应的决定系数R2=1。决定系数R2 表示ν被x所解释的部分所占的百分比,R越接近于1说明x对y的 解释越充分。 残差=应变量观察值(y)-预测值(j) Stata的残差计算命令
多重线性回归命令为 regress 因变量 自变量 1 自变量 2 ……自变量 m 直线回归命令 regress 因变量 自变量 本例为 regress y x，得到下列结果： Source | SS df MS Number of obs = 60 -------------+------------------------------ F( 1, 58) = 777.41 Model | 5997.71571 1 5997.71571 Prob > F = 0.0000 Residual | 447.467619 58 7.71495895 R-squared = 0.9306 -------------+------------------------------ Adj R-squared = 0.9294 Total | 6445.18333 59 109.240395 Root MSE = 2.7776 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- x | 5.854286 .2099654 27.88 0.000 5.433994 6.274577 _cons | 78.18476 1.209202 64.66 0.000 75.76428 80.60524 ------------------------------------------------------------------------------ 得到回归系数 b=5.854286，常数项 a=78.18746，回归系数的检验统计 量 tb=27.88，P 值<0.0001，可以认为 Y 与 X 呈直线回归关系。 来源 平方和 SS 自由度 df 均方 MS F P 值 回归 5997.71571 1 5997.71571 777.41 <0.0001 残差 447.467619 58 7.71495895 合计 6445.18333 59 称 2 1 SS R SS = − 残差 合计 为决定系数(本例 Stata 计算结果 R-squared=0.9306)，因此 0R21，因此残差平方和 SSE 越小，决定系数 R2就越接近 1。特别 当所有的残差为 0 时，SSE=0，相应的决定系数 R2=1。决定系数 R2 表示 y 被 x 所解释的部分所占的百分比，R2越接近于 1 说明 x 对 y 的 解释越充分。 残差=应变量观察值（y）-预测值( y ˆ ) Stata 的残差计算命令
在输入回归命令 regress y x后,再 输入 predict e, residual计算残差并用变量e表示残差 输入 sktest e 残差的正态性检验 输入 predict yy 计算预测值。 残差正态性检验(H:残差正态分布x=0.05) sktest e Skewness/Kurtosis tests for Normalit Joint Variable Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2 0.441 1.18 0.5534 P值=0.5534>0.05,可以认为残差呈正态分布 所建立的回归方程是否有意义,仅凭借假设检验的结论或R2的 大小还不能充分说明问题。残差e=Y-的大小直接反应回归方程的 优劣,经常采用图示的方法,以ε做纵轴,为横轴作图来考察残差 的变化,如果残差比较均匀地散布在e=0的周围,没有明显的散布趋 势和明显的离群点,则说眀所建回归方程比较理想,否则要借助统计 软件做进一步诊断。 graph残差预测值 本例 graph e yy
在输入回归命令 regress y x 后，再 输入 predict e,residual 计算残差并用变量 e 表示残差 输入 sktest e 残差的正态性检验 输入 predict yy 计算预测值。 残差正态性检验(H0:残差正态分布,=0.05) sktest e Skewness/Kurtosis tests for Normality ------- joint ------ Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2 -------------+------------------------------------------------------- e | 0.459 0.441 1.18 0.5534 P 值=0.5534>>0.05，可以认为残差呈正态分布。 所建立的回归方程是否有意义，仅凭借假设检验的结论或 R2 的 大小还不能充分说明问题。残差 e Y Y ˆ = − 的大小直接反应回归方程的 优劣，经常采用图示的方法，以 e 做纵轴， Y ˆ 为横轴作图来考察残差 的变化，如果残差比较均匀地散布在 e=0 的周围，没有明显的散布趋 势和明显的离群点，则说明所建回归方程比较理想，否则要借助统计 软件做进一步诊断。 graph 残差 预测值 本例 graph e yy