数据统计分析初级统计及回归分析顾世梁Stillwatersrundeep.流静水深流静水深,人静心深人静心深Wherethereislife,thereishope。有生命必有希望。有生命必有希望 生物统计是关于试验的设计、实施，数据的收集、整理、分析和结果推论的科学。 从事试验研究，需要对处理（措施、技术）的效应给出一个明确的结论（显著与否）。 推论是先对研究对象的总体提出一种假设(hypothesis)，再对该假设进行测验(test)以计算在假设总体中抽得实际样本(统计数)的概率来判断。1.1 二项总体分布二项总体分布（0，1 分布） 若一个总体由0，1两种元素组成，这样的总体称0，1总体。若取1的概率为p，记为P(1)=p，则P(0)=1-p=q，p+q=1.1 几种常见的分布几种常见的分布 概率计算比较复杂，生物统计中所用的概率计算主要利用变数分布进行。1.2 二项分布二项分布(binomial distribution) 二项分布是指在=p的二项总体中，以样本容量n进行抽样，样本总和数 k (0kn)的概率分布。1.3 普松分布普松分布(poisson distribution) 若n很大，p很小，其np=m，二项概率分布趋于普松分布。1.4 正态分布正态分布(normal distribution)若p接近0.5，n很大，二项概率分布趋于正态分布。正态分布是最重要的连续性变数的分布，原因有3：1、试验研究中很多变数(性状)服从正态分布；2、一些间断性变数在一定条件下趋于正态分布；3、一些变数本身不服从正态，但其统计数(如平均数)在一定条件下(样本容量增大时)趋于正态分布。 这第3点是一个很重要的性质，因为我们将来对处理效应的推断，往往是以平均数（或其它统计数）进行的。在对样本容量较大的统计数进行统计推断时，可不必考虑原变数服从何种分布，统计假设测验均可在正态分布的基础上进行。 了解一个变数（或一个统计数）服从某种分布，其目标是为了计算该变数（统计数）落在某一区间的概率。P(axb)=?1.5 学生氏学生氏 t 分布分布( t distribution)标准正态离差服从正态分布。 上述u分布在实际应用中存在问题，最主要的是无法得到，人们自然想到用样本标准差 s 代替 计算u值，进而计算概率（假设测验）。但经抽样试验发现，这种替代是有问题的，尤其是在小样本情况下，s 的变异度较大（而是常量）。它直接的效果是由此算出的值比 u 的变异度大。后经WS Gosset (1908)导出了该统计数（t）的概率密度函数 f(t)。1.6 卡方分布卡方分布(2 distribution)1.7 F分布分布( F distribution, RA Fisher, 1923)2 统计假设测验统计假设测验2.1 概念和基本步骤概念和基本步骤 我们在试验过程中获得了一个或多个样本(统计数)，其目的在于推断由此代表的总体（参数）。得出处理效应存在与否的定性结论。基本过程有4步：1）对未知总体）对未知总体(参数参数)提出假设提出假设 H0:=0, HA: 0； H0: = 0, HA: 0 ；2）设定一个否定）设定一个否定H0假设的小概率标准（显著水平）假设的小概率标准（显著水平） （ =0.05， =0.01 ）；）；3）计算在假设条件下比实得样本）计算在假设条件下比实得样本(统计数统计数)还偏的概率还偏的概率p。4）根据）根据p与与值的大小，接受或否定值的大小，接受或否定H0假设。假设。2.2 几种常用的假设测验几种常用的假设测验指的是该统计数的标准误，亦即该统计数分布的标准差。ttest(x, m0)ttest2(x1, x1) 2.3 假设测验的本质假设测验的本质1）显著性的大小是决定统计数与假设参数间、统计数间差异显著性的主要因素。试验研究中应尽量减小统计数的标准误。一是减小试验误差（s）；二是增大样本容量（n）。2）假设测验的错误 利用概率进行测验，有些情况下会犯错误。当正确的假设被否定时，就犯了弃真错误（I型错误, 错误）；当错误的假设被接受时，就犯了取伪错误（II型错误, 错误）。犯两类错误的概率不同。 3 方差分析方差分析 方差分析是将多个样本作为一个整体，将总变异分解成相应变异来源的平方和和自由度，得到各变异来源方差的数量估计，用F测验鉴别样本间的差异显著性。分三个内容：1）分解平方和自由度，计算各变异来源的方差；其中MSe(或se)比较重要，它是测验组间效应存在与否的标准；2）F测验, F=MSt/MSe；3）多重比较，当F测验显著，应对处理平均数的差异显著性作进一步说明。3.1 单向分组资料的方差分析单向分组资料的方差分析处理观察值Tixi1x11x12x1jx1nT1x12x21x22x2jx2nT2x2ixi1xi2xijxinTixikxk1xk2xkjxknTkxkxij为第为第i个处理的第个处理的第j个观察值，个观察值，i=1,2,k, j=1,2,n. Data structure方差分析结果尽量以方差分析表表示。anova1(x)3.2 两向分组资料的方差分析两向分组资料的方差分析AB1 2 j n Tixi1x11x12x1jx1nT1x12x21x22x2jx2nT2x2ixi1xi2xijxinTixikxk1xk2xkjxknTkxkT.1T.2T.jT.nTxxij为为A因素第因素第i个水平和个水平和B因素第因素第j个水平组合个水平组合(处理处理)的反应量，的反应量，i=1,2,k； j=1,2,n. Data structureAnova2(x)，或anova2(x,n)。3.3 系统分组资料的方差分析系统分组资料的方差分析xijk为第为第i组、第组、第j亚组、第亚组、第k个反应量，个反应量，i=1, 2, , l； j=1,2,m；k=1, 2, , n. Data structurexijk 较复杂的系统分组资料还可能在亚组中继续再分成小亚组（小小亚组）；每一组具有不同的亚组数（mi不全相同），每一亚组具有不完全相同的观察值数目（nij不全相同）。xijk为第为第i 组组,第第j亚组亚组,第第k个个(处理处理)的反应量，的反应量，i=1, 2, , l； j=1,2,mi；k=1, 2, , nij. 3.4 单因素完全随机试验资料的分析单因素完全随机试验资料的分析 即单向分组资料的方差分析。即单向分组资料的方差分析。3.5 单因素随机区组试验资料的分析单因素随机区组试验资料的分析 即两向分组资料的方差分析。即两向分组资料的方差分析。3.6 二因素随机区组试验资料的分析二因素随机区组试验资料的分析 A因因素素有有a个个水水平平，B因因素素有有b个个水水平平，均均衡衡搭搭配配时时有有ab个个处处理理；r个个重重复复（r个个区区组组），abr个观察值。方差分析分两步：个观察值。方差分析分两步：1）构建处理区组两向表，按处理区组两向分组数据模型分解平方和、自由度： 2）构建AB两向表，按AB因素两向分解平方和、自由度。 二因素、多因素完全随机试验、随机区组试验资料的方差分析均可用anovan的命令实现。 格式：anovan(x, group, model)Anovan （多因素资料的方差分析）（多因素资料的方差分析）Anovan(x, group, model)三因素三因素 model=1 2 3 4 5 6 7(三因素方差分析编码表三因素方差分析编码表)数值数值含义含义1A(主效主效)2B(主效主效)3AB(互作互作)4C(主效主效)5AC(互作互作)6BC(互作互作)7ABC(互作互作)四因素方差分析编码表四因素方差分析编码表(model)数 值含 义数 值含 义1A(主效主效)9AD2B(主效主效)10BD3AB(互作互作)11ABD4C(主效主效)12CD5AC13ACD6BC14BCD7ABC15ABCD8D(主效主效)3.7 一些处理效应再分解的方差分析 1）单一自由度比较； 2）其他分解的一些实例。 Lsh.m; cg.m.处理n平均数 ABCD vs EAB vs CDA42727.875T1=44625.75T1=206B424.5C428.530T2=240D431.5E42020T2=80 如例8.1（水稻N肥试验），5个处理（ABCDE）具有SSt=301.2，dft=4，可将其进一步分解：ABCD vs E df1=1, SS1=198.45；AB vs CD df2=1, SS2=72.25 A vs B df3=1, SS3=12.5； C vs D df4=1, SS4=18.04 回归和相关分析回归和相关分析4.1 一元线性回归分析一元线性回归分析 对于双变数资料的回归分析，主要有三项任务：1）建立 Y 依 X 的量化关系，即估计回归统计数和回归方程；2）估计离回归误差，对回归方程和回归统计数进行统计假设测验；3）回归方程的进一步利用。模型：据：对Q分别对a、b求偏导并使其为0，得正规方程组：解得：4.2 回归分析的矩阵方法回归分析的矩阵方法 回归分析是用最小二乘法(least squares method)估计回归统计数B=(a, b)，使离回归平方和（Q, RSS）最小：实例和matlab命令集clear; clcx=1.58, 9.98, 9.42, 1.25, .30, 2.41, 11.01, 1.85, 6.04, 5.92y=180, 28, 25, 117, 165, 175, 40, 160, 120, 80x=x(:); y=y(:); n=size(y,1); SSy=var(y)*(n-1); SSx=var(x)*(n-1);xbar=mean(x); ybar=mean(y);X=ones(n,1),x; A=X*X; K=X*y; SumX=A(1,2); SumY=K(1); SumX2=A(2,2); SumXY=K(2);SP=SumXY-SumX*SumY/nC=inv(A), B=AK, B=C*K, B=X*XX*y, b=XyQ=y*y-B*K, U=SSy-Q, MSQ=Q/(n-2), syx=sqrt(MSQ)F=U/MSQ; p=1-fcdf(F,1,n-2);disp(F=,num2str(F), p=,num2str(p)sa=syx*sqrt(C(1,1), sb=syx*sqrt(C(2,2)ta=b(1)/sa; pa=2*tcdf(-abs(ta),n-2);disp(ta=,num2str(ta), p=,num2str(pa)tb=b(2)/sb; pb=2*tcdf(-abs(tb),n-2);disp(tb=,num2str(tb), p=,num2str(pb)r=corr(x,y), r2=SP2/SSx/SSysr=sqrt(1-r2)/(n-2), tr=r/sr4.3 多元线性回归分析多元线性回归分析 当其中的自变数不显著时，应将其剔除。剔除的过程应采用逐步回归的方法，即每次剔除一个偏回归平方和最小且不显著的自变数，直至所有的自变数均显著（下同）。实例和matlab命令集clear;clc,alpha=.05;x1=10, 9, 10, 13, 10, 10, 8, 10, 10, 10, 10, 8, 6, 8, 9;x2=23, 20, 22, 21, 22, 23, 23, 24, 20, 21, 23, 21, 23, 21, 22;x3=3.6,3.6,3.7,3.7,3.6,3.5,3.3,3.4,3.4,3.4,3.9,3.5,3.2,3.7,3.6;x4=113, 106,111,109,110,103,100,114,104,110,104,109,114,113,105;y=15.7,14.5,17.5,22.5,15.5,16.9,8.6,17,13.7,13.4,20.3,10.2,7.4,11.6,12.3;x=x1,x2,x3,x4;load regm %x=rand(100,40);y=rand(100,1);%data=xlsread(regm); y=data(:,end);data(:,end)=;x=data;data=;%data=load(regm.csv); y=data(:,end);data(:,end)=;x=data;data=;n,m=size(x);SSy=var(y)*(n-1);X=ones(n,1),x;A=X*X;K=X*y;C=inv(A)b=AK,%b=C*K,b=X*XX*y,b=XyQ=y*y-b*K,U=SSy-Q,MSQ=Q/(n-m-1),syx=sqrt(MSQ)Fm=U/m/MSQ; p=1-fcdf(Fm,m,n-m-1);disp(Fm=,num2str(Fm), p=,num2str(p)Up=b.*b./diag(C);Up(1)=;F=Up/MSQ, pr=1-fcdf(F,1,n-m-1)for i=1:m if i=alpha qi=find(F=min(F); pr=1-fcdf(min(F),1,n-m-1); if pr=alpha disp(num2str(qi), ,num2str(min(F), del ,tr(qi,:) tr(qi,:)=; X(:,qi+1)=; m=m-1; end A=X*X; K=X*y; b=Xy; Q=y*y-b*K; MSQ=Q/(n-m-1); C=inv(A); Up=b.*b./diag(C);Up(1)=; F=Up/MSQ; pr=1-fcdf(F,1,n-m-1);enddisp(Last Results:)disp( Xi bi Upi Fi pFi)disp(X0 ,num2str(b(1)for i=1:m disp(tr(i,:), ,num2str(b(i+1), ,num2str(Up(i), , num2str(F(i), ,num2str(pr(i)enddisp(Error ,num2str(n-m-1), ,num2str(Q), ,num2str(MSQ)disp(Total ,num2str(n-1), num2str(SSy)r2=(SSy-Q)/SSy多元线性回归分析的有关假定与注意事项:假定1：误差是正态分布的；假定2：每一自变数对依变数的作用仅为线性。 假定2不满足对回归结果影响较大。注意1：自变数个数(m)必须少于观察值组数(n)；注意2：避免自变数共线性情形，共线性指变数间高度相关或一个变数是其他变数的线性组合。 若结构阵不满秩，信息阵是奇异或病态的，逆阵不存在或有很大偏差，无法求解回归系数或有很大误差，难于对回归模型及回归统计数进行客观真实的假设测验。回归分析无法进行，或所得结果不可信。4.4 一元线性相关分析一元线性相关分析计算X、Y相关性质和程度的统计数相关系数r4.5 多元线性相关分析多元线性相关分析 计算m个变数X（Y）的（简单）相关系数rij：4.6 多元偏相关分析多元偏相关分析 m个变数X（Y）在其它变数皆固定在某一水平时，余下两个变数间的相关称为偏相关。4.7 通径分析通径分析 计算m个自变数 Xj 与 Y 关系的相对重要性，可用直接通径系数pj表示。4.8 一元多项式回归分析一元多项式回归分析 计算1个自变数 X与 Y 的多项式回归也很常见。m为模型中Xj幂的项数。Up1, Up2, Up3, Up4 分别为线性(linear), 二次(Quadratic), 三次(cubic), 四次(4th degree)响应(response).一元多项式回归分析的几点注意：1) 随着k的增加，回归平方和增加，离回归平方和减小，k不应超过n-2。当k=n-1时，离回归平方和等于0（即所有的点都在线上）。但这并非很好，若用此方程进行预测（中间插值或外推）可能会相差很远。因此，合适的高次幂应由适当的判断和测验所决定。从数学关系可知，2次式没有拐点；3次式有一个拐点；4次式有两个拐点；及此类推。2)多项式方程的假设测验一般先对最高次幂进行，若不显著时顺次向下测验；在最高次幂确定保留的前提下，再对其他项的保留（或删除）进行鉴别。 上述一元线性、多元线性、一元多项式以及多元多项式回归分析，均采用前述模型及过程进行分析。假设测验是以离回归误差MSQ作为标准进行测验，这一般没有问题，也没有其它替代方法。但若处理有重复观察值，可用重复观察值估计误差方差（MSe），各项回归效应的显著性应以此为标准进行测验，同时还可对离回归（MSQ）进行测验（失拟测验）。若失拟不显著，表明模型是合适的；若失拟显著，表明用此模型并不合适，有选择更好模型的必要。4.9 多元多项式回归分析多元多项式回归分析 进行m个自变数Xj与 Y 的多元多项式回归分析，情况变得较复杂。如用最简单的多元多项式回归即只考虑线性和2次幂主效及线性互作响应时，其回归模型可表示为：其中，模型中线性主效有m项，2次幂主效有m项，线性互作有m(m-1)/2项，模型中需要考虑的项数(总自变数)p=m(3+m)/2项。若考虑其它效应，在模型中增加相应的分量，p将迅速增加。 多变数(项)回归模型中，既有显著的自变数(项)，也有不显著的自变数(项)，回归分析需将不显著的自变数(项)予以剔除，使所得多元回归方程比较简化而又能较准确地分析和预测 Y 的反应。这一过程称为多元回归自变数的统计选择逐步回归。逐步回归有两种基本方法逐个选入法和逐个剔除法，以后者更为常用。该法以所有自变数(项)的回归为基础，每次剔除一个偏回归平方和最小且不显著的自变数(项)，删除结构阵的相应列，重新计算回归统计数、偏回归平方和并测验，直至所有的自变数(项)均显著。 一些例子和matlab程序: lrmpoly.mThank your cooperation!