连续变量的相关与回归分析.pdfVIP

中华护理杂志 年 月第 卷第 期 ， ， ， 2011 11 46 11 Chin J Nurs November 2011 Vol 46 No．11 ·医学统计学漫谈· 连续变量的相关与回归分析 冯国双 连续变量的相关与回归分析有时也称为线性相关与线 数。 很少有人关注线性回归的应用条件，大多都是直接分析， 性回归，它们都是分析变量间关系的方法，但侧重目的不同。 事后也不对模型进行评价，不清楚到底结果质量如何。 下面 线性相关是分析变量间的相互依存关系，即两个或多个变量 列出了部分文章中存在的问题。 不区分主次关系，重在解释变量间的关联。 而线性回归分析 （1） 自变量与因变量不符合线性条件 的变量有主次之分，侧重分析自变量对因变量的影响。 如研 案例 某研究分析孕妇体重（ ）对新生儿体重（ ）的影 2 x y 究身高与体重的关系，这两个指标是相互关联的，可采用线 响，直接用线性回归分析，结果显示孕妇体重对新生儿体重 性相关分析。 如果要分析体重对血压值的影响，此时我们侧 的影响无统计学意义（P=0.4929 ）。 重观察血压值随体重的变化而变化的趋势，而不是体重随血 分析：根据原始数据绘制散点图可以看出（图 ）， 与 的 1 x y 压值变化的情况，因此需采用线性回归分析。 关系并非线性关系， 而是中间高两头低的倒置 型抛物线关 U 线性相关用相关系数来反映变量间的关系及关联大小， 系。 线性回归只能分析线性关系，其结果只能提示孕妇体重 相关系数为正数，表示正相关，相关系数为负数，表示负相 对新生儿体重没有线性影响，但不能说没有影响。 关。 相关系数的绝对值越大，表示变量间关系越强。 4.0 线性相关较为简单，只要确定了研究变量，直接利用统 ） g 3.5 k 计软件求出相关系数即可。 如果数据符合正态分布， 可用 （ 重 Pearson相关；不符合正态分布，可用Spearman相关。 这些利用 体 3.0 儿 统计软件都可以很轻松地实现，关键是选对方法。 生 2.5 线性相关最容易犯的一个错误是把 值大小等同于相关 新 P 2.0 性大小。 40 50 60