Bài giảng Tin học ứng dụng: Tương quan và hồi quy - Trường ĐH Y dược Huế

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:33

Thêm vào BST

Báo xấu

15
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài giảng Tin học ứng dụng: Tương quan và hồi quy, được biên soạn với mục tiêu nhằm giúp sinh viên xác định được ý nghĩa và cách sử dụng phân tích tương quang, mô hình hồi quy thích hợp; Thực hiện được cách lệnh phân tích tương quan, mô hình hồi quy trong SPSS; Đọc phiên giãi ý nghĩa và trình bày kết quả phân tích. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Bài giảng Tin học ứng dụng: Tương quan và hồi quy - Trường ĐH Y dược Huế

TIN HỌC ỨNG DỤNG TƯƠNG QUAN VÀ HỒI QUY TRƯỜNG ĐẠI HỌC Y DƯỢC HUẾ BỘ MÔN THỐNG KÊ – DÂN SỐ - SỨC KHỎE SINH SẢN 1
2
3
4
Phương trình hồi qui cho 2 chỉ số gồm: BMI, độ tuổi. Và nghiên cứu đề nghị: nam giới có PBF > 30 và nữ PBF > 40 thì được xem là béo phì. PBF (nữ) = -18.9 + 0.044*tuổi + 3.473*BMI - 0.051*BMI*BMI PBF (nam) = -29.8 + 0.044*tuổi + 3.473*BMI - 0.051*BMI*BMI http://journals.plos.org/plosone/article?id=10.1371%2Fj ournal.pone.0127198
Mục tiêu 1/ Xác định được ý nghĩa và cách sử dụng phân tích tương quang, mô hình hồi quy thích hợp. 2/ Thực hiện được cách lệnh phân tích tương quan, mô hình hồi quy trong SPSS. 3/ Đọc phiên giãi ý nghĩa và trình bày kết quả phân tích. 6 Tin học ứng dụng - NCKH Bộ môn: TKYT – DS -SKSS
PHÂN TÍCH TƯƠNG QUAN Thường xét đến khi 2 biến NC là biến định lượng. Chú ý đến tính phân bố của số liệu định lượng. Xác định ngưỡng ý nghĩa của hệ số tương quan (r ) r0,7 : tương quan rất chặt chẽ 7
Ví dụ: tính hệ số tương quan giữa tuổi và chiều cao Thực hiện: Analyze/ Correlate/Bivariate Biến số 8
Kết quả thực hiện Hệ số tương quan r Ngưỡng ý nghĩa p value Số trường hợp quan sát 9
Thể hiện mối tương quan trên biểu đồ scatter plot: graph/legacy Dialogs/Scatter plot 10
Biến phụ thuộc Biến độc lập 11
Chú ý : • Lựa chọn hệ tương quan pearson khi số liệu có phân bố chuẩn • Hệ số tương quan Spearman khi số liệu có phân bố không chuẩn 12
MÔ HÌNH HỒI QUY Phân loại: (dựa vào kiểu biến số phụ thuộc ) • Thông thường chúng ta có nhiều mô hình hồi quy khác nhau tùy thuộc vào kiểu biến số của biến phụ thuộc. • Một số mô hình chính hay gặp trong các phân tích thống kê: Hồi quy tuyến tính, hồi quy logistic, và hồi quy Cox ( sự kiện theo thời gian). 13
MÔ HÌNH HỒI QUY • Chương trình này chúng tôi chỉ đề cập đến 2 mô hình là hồi quy tuyến tính (linear regression) và mô hình logistic với biến phụ thuộc là nhị phân (Binary logistic). • Dựa vào số lượng biến độc lập đưa vào mô hình  hồi quy đơn biến ( 1 biến độc lập)  Hồi quy đa biến ( ≥ 2 biến độc lập) 14
Mô hình hồi quy tuyến tính đơn biến Hồi quy tuyến tính đơn biến có dạng: • Biến phụ thuộc (y): là biến định lượng • Biến độc lập (x): thường là biến định lượng hoặc thứ bậc. • : là điểm cắt y khi x = 0 ( hằng số constant) • : là độ dốc là sự thay đổi của mỗi đơn vị y khi x thay đổi. • Sử dụng phương pháp ước tính bình phương tối thiểu để lựa chọn mô hình tối ưu 15
Mô hình hồi quy tuyến tính Thực hiện: Analyza/ Regression/ Linear Lưu ý: Các giả định số liệu phải có phân bố chuẩn, các quan sát độc lấp 16
Biến phụ thuộc Biến độc lập Phương pháp đưa phân tích 17
+ Một số phương pháp phân tích: - Enter : tất cả các biến đưa vào đều góp mặt trong mô hình (1 mô hình duy nhất) - Backward: Loại bỏ dần các biến không đóng góp cho mô hình (số biến độc lập giảm dần theo các mô hình) - Forward: Tăng dần các biến trong mô hình - Stepwise: Kết hợp 18
Ví dụ: Hồi quy tuyến tính đơn biến Viết phương trình tuyến tính giữa t score cổ xương đùi với tuổi nghiên cứu 19
Phương pháp đưa biến độc lập vào mô hình Tóm tắt mô hình ( lưu ý ý nghĩa hệ số R2) Kiểm định sự tồn tại có ý nghĩa của mô hình 20