请选择 进入手机版 | 继续访问电脑版
楼主: GraphPad_China
138 1

GraphPad Prism 统计教程 | 简单线性回归原理(二) [分享]

  • 0关注
  • 1粉丝

硕士生

49%

还不是VIP/贵宾

-

威望
0
论坛币
138 个
通用积分
4.8956
学术水平
0 点
热心指数
1 点
信用等级
0 点
经验
1664 点
帖子
62
精华
0
在线时间
127 小时
注册时间
2020-4-26
最后登录
2021-3-1

GraphPad_China 在职认证  发表于 2021-2-23 11:37:35 |显示全部楼层
在GraphPad官方用户指南里,有“线性回归”专题讲解,包含以下五个部分,在使用软件的同学可以去了解下。
  • 线性回归的目标
  • 线性回归的计算原理
  • 比较线性回归和相关性
  • 比较线性回归和非线性回归
  • 通过线性回归分析变换数据来分析非线性数据的方法存在哪些问题

上一篇【简单线性回归原理(一)】回顾:https://bbs.pinggu.org/thread-10410928-1-1.html


【比较线性回归与相关性】
线性回归不同于相关性。


01 二者的目的是什么?

线性回归能够找出根据X预测Y的最佳直线。相关性量化两个变量的关联程度。相关性不能拟合通过数据点的直线。你只是在计算相关系数(r),该系数可以告诉你一个变量随另一个变量的变化。r为0.0时,无相关性。r为正值时,一个变量随另一个变量升高而升高。r为负值时,一个变量随另一个变量下降而升高。
02 二者适用于哪种数据?

X为操纵的变量(时间、浓度等)时,通常使用线性回归。测量两个变量时,几乎总会用到相关性。如果一个变量是可以通过试验操纵的变量,那么就不太适用。
03 哪个变量为X?哪个为Y?是否存在差异?

在回归中决定将哪个变量称为“X”,哪个变量称为“Y”很重要,因为如果这两个变量互换,将得到一条不同的最佳拟合线。根据X预测Y的最佳拟合线与根据Y预测X的最佳拟合线不同(然而,这两条线具有相同的R2值)。通过相关性,你无需考虑因果关系。这两个变量中的哪一个为“X”,哪一称为“Y”并不重要。如果将两者互换,得到的相关系数相同。
04 假设

通过线性回归,X值可测量或X值可以为试验者控制的变量。不假设X值是从高斯分布中抽样。假设点到最佳拟合线的距离服从高斯分布,散点的SD与X或Y值无关。相关系数本身只是描述两个变量如何一起变化的一种方式,因此可针对任何两个变量进行计算和解读。但进一步推理需另外假设X和Y均已测量(为区间或比率变量),两者均从高斯分布中抽样获得。这称为“二元高斯分布”。如果这些假设为真,则可解读r和P值的置信区间,r和P值能够检验零假设 - 两个变量之间实际上并无相关性(且你所观察到的任何相关性均为随机抽样的结果)。
05 各结果之间的关系
线性回归使用r2量化拟合优度,有时用大写字母R2表示。如果将相同数据放入相关性(这很不合适;见上文),则基于相关性的r2等于基于 回归的r2。

相关性计算皮尔森相关系数-r的值,范围为-1到+1。


【比较线性回归与非线性回归】


01 线性和非线性回归的目的

直线由一个简单的方程描述,可根据X、斜率和截距计算Y。线性回归的目的在于找到定义最接近数据的直线的斜率和截距值。非线性回归比线性回归更通用,可使任何模型(方程)拟合你的数据,其将查找一系列参数值,即生成曲线(与数据最接近)的那些参数。
02 线性和非线性回归的工作原理
线性和非线性回归均可找到使直线或曲线尽可能接近数据的参数值(线性回归的斜率和截距)。更准确地说,旨在尽量减少点到直线或曲线的垂直距离的平方和。线性回归 使用可用初等代数完全解释的数学运算来实现该目的(许多统计学书籍中的显示)。输入数据,答案就出来了,不会出现模棱两可。如果你愿意,甚至可手动计算。非线性回归使用计算量比较大的,迭代方法这只能用微积分和矩阵代数进行解释,该方法需要每项参数的初始估计值。
03 线性回归是非线性回归的特例
非线性回归程序可拟合任何模型(包括线性模型)。线性回归只是非线性回归的特例。即使你的目的是使用数据中拟合一条直线,也有许多情况选择非线性回归而非线性回归的选择。

使用非线性回归分析数据只比使用线性回归稍微难一点。对线性或非线性回归的选择应基于你所拟合的模型。不得仅仅为避免使用非线性回归而使用线性回归。 避免过多转换,例如Scatchard或Lineweaver-Burke转换,其唯一目的是线性化你的数据。


----------------END----------------

关键词:GraphPad Prism GRAPH GRAP 线性回归

科研统计绘图工具,助你发现数据
stata SPSS
tianwk 发表于 2021-2-23 20:37:02 |显示全部楼层
thanks for sharing
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 我要注册

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2021-3-2 16:13