评分

大理大学实验报告

2015—2016学年度第 2 学期

课程名称 生物医学统计分析 实验名称 回归分析

专业班级 2013级生物医学工程

姓 名 朱广能 马凯

学 号 2013166144 2013166124 实验地点 工科楼503

实验日期 2015年12月31日

生物医学统计分析实验报告

一、实验目的 1. 熟悉数据管理的相关操作。 2. 学会数据的一些基本统计分析方法及操作。 二、实验环境 1. 硬件配置：处理器（Intel(R) Pentium(R) 4 cpu 2.80GHz）、CD-ROM驱动器、鼠标、内存1GB(1024MB)、32位操作系统 2. 软件环境：IBM SPSS_Statistics_19_win32 三、 实验内容 （一）回归分析 回归分析通过“回归”过程来实现，该模块主要包括以下几个命令： 自动线性建模；线性（线性回归分析）；曲线估计（曲线回归分析）；二元Logistic(二元Logistic回归分析)；非线性回归分析等。 （二）回归分析的一般方法 1. 确定回归方程中的因变量和自变量 2. 确定回归模型 3. 建立回归方程 4. 对回归方程进行各种检验 5. 利用回归方程进行检验 （三）一元线性回归分析 [Eg8.1] 其分析的任务是根据若干个观测值（xi，yi）i=1，2，…，n找出描述两个变量x与y 之间关系的线性回归方程： （四）多元线性回归分析（linear过程） [Eg8.2]、[习题1] 在生物医学领域的许多实际问题中，常常需要研究一个因变量与多个自变量间的相关关系。比如动物的体重同时受体长、身高、胸围等性状的影响。因此需要进行一个因变量与对个自变量间的回归分析，即多元回归分析。在多元线性回归分析中，用户可以根据需要，选用不同删选自变量的方法(如：逐步法、向前法、向后法等) （五）曲线回归分析 （Curve Estimation过程）[Eg8.3]、[习题2] 在实际生产中，因变量x与自变量y间的相关关系并非一定是线性关系，更多的是 各种各样的曲线关系。在许多情况下，曲线回归可以通过变量转运转换成线性形式 来解决。曲线回归的基本分析过程是：先通过变量替换的方法把不满足线性关系的 数据转换为符合线性回归模型的数据，再利用线性回归分析方法建立线性回归方程 并进行显著性检验，然后再转换成曲线回归方程。 （六）生长曲线的方程拟合 [Eg8.4] 在生物生长过程中，初始阶段的生物量增长较缓慢，继之速度加快进入快速期，而 后又转入缓慢期，直至停止生长，呈“S”型，称为生长曲线，属于非线性回归。 1. Logistic曲线方程的拟合 2. Gompertz和Von Bertalanffy曲线方程的拟合 第2页 共13页 生物医学统计分析实验报告

四、实验结果与分析 [例8.1] 建立饲料消耗量对体重的回归方程并对回归关系、回归系数进行检验 表8.1-1 饲料消耗和体重的描述性统计量 饲料消耗 体重 均值 93.560 4.980 标准 偏差 3.8816 .4131 N 10 10 表8.1-2 饲料消耗和体重的相关性分析表 Pearson 相关性 饲料消耗 体重 Sig. （单侧） 饲料消耗 体重 N 饲料消耗 体重 饲料消耗 1.000 .818 . .002 10 10 体重 .818 1.000 .002 . 10 10 表8.1-3 饲料消耗和体重回归分析的相关模型汇总 模型 1 R .818 aR 方 .670 调整 R 方 .629 标准 估计的误差 2.3656 a. 预测变量: (常量), 体重。 表8.1-4 饲料消耗和体重回归分析的 Anova 模型 1 回归 残差 总计 平方和 90.836 44.768 135.604 df 1 8 9 均方 90.836 5.596 F 16.232 Sig. .004 ab a. 预测变量: (常量), 体重。 b. 因变量: 饲料消耗 表8.1-5 饲料消耗和体重的回归系数及t检验 非标准化系数 模型 1 B (常量) 55.263 体重X 7.690 标准误差 9.535 1.909 标准系数 试用版 t 5.796 4.029 Sig. .000 .004 a .818 a. 因变量: 饲料消耗 第3页 共13页