一元直线回归与相关分析流程图

 

 

相关和回归分析方法是分析不同变量之间的联系情况，即紧密程度或因果关系。如温度对病虫害的发育进程影响，或人的体重与身高之间的联系，是分析两个变量之间关系的紧密程度，或是寻找变量之间的规律，并在已知一个变量值的情况下，利用规律来预测另一个变量的值。
而前述方法是分析不同实验或试验因素对同一个指标（即变量）的影响。如N肥、P肥对水稻产量影响的试验，目的是找到N或P肥的最佳施肥量或不同肥料用量的最佳组合，分析数据按照处理或水平的不同分成不同的数据组，但均是同一个变量，即产量。
（二）变量之间的关系
1. 变量之间的关系
变量间的关系有两类:函数关系和相关关系（图5-2）。

 

（1）函数关系
例：长方形的面积（S）= 长（a）X宽（b）
变量间的关系是确定的，只要知道了其中两个变量的值就可以精确地计算出另一个变量的值，这类变量间的关系称为函数关系。

（2）相关关系
例：（a）人的身高与体重的关系
(b) 猪瘦肉率与背膘厚度、眼肌面积、胴体长的关系
(c) 水稻亩产量与有效穗数、每穗粒数、千粒重之间的关系
(d) 气温与害虫孵化发育时间之间的关系
可以看出，以上4个例子中的变量间的关系可分为两种：
第一种是因果关系：即一个变量的变化受另一个或几个变量的影响。如(c) 水稻亩产量受到有效穗数、每穗粒数、千粒重的影响，产量是结果，其他是原因；(d) 气温影响虫害孵化发育进程，气温是原因，发育进程是结果。
第二种是平行关系：两个或两个以上变量之间共同受到另外因素的影响，彼此之间有联系，但分不清谁是原因，谁是结果。如（a）人的身高与体重的关系，(b) 猪瘦肉率与背膘厚度、眼肌面积、胴体长的关系。
总之，以上几组变量间无论是因果关系，还是平行关系，都与函数关系不同，不存在完全的确定性关系，不能由一个或几个变量的值精确地求出另一个变量的值。因此，把这种存在一定相互联系的两个或多个变量间的关系称为相关关系，把存在相关关系的变量称为相关变量。
 

 

 

2. 相关关系的统计分析方法
（1）回归分析方法（regression analysis）
回归分析方法是研究有因果关系变量间的规律的一种分析方法。表示原因的变量称为自变量，一般用X表示，表示结果的变量称为因变量，一般用Y表示。回归分析方法又有以下类型：
根据自变量数量来分，研究“一因一果”，即一个自变量与一个依变量的回归分析称为一元回归分析；研究“多因一果”，即多个自变量与一个依变量的回归分析称为多元回归分析。
根据因果变化规律来分，一元回归分析又分为直线回归分析与曲线回归分析两种；多元回归分析又分为多元线性回归分析与多元非线性回归分析两种。
（2）相关分析(correlation analysis)
相关分析方法研究呈平行关系的相关变量之间的关系。
类型：对两个变量间的直线关系进行相关分析称为一元直线相关分析；对多个变量进行相关分析时，研究一个变量与多个变量间的线性相关称为多元相关分析或复相关分析；研究其余变量保持不变的情况下两个变量间的线性相关称为偏相关分析。

特点：在相关分析中，变量无自变量和因变量之分。相关分析只能研究两个变量之间相关的程度和性质或一个变量与多个变量之间相关的程度。不能用一个或多个变量去预测另一个变量的变化，这是回归分析与相关分析区别的关键所在。

3. 散点图的作用
两变量之间的关系类型和性质可通过作散点图作出判断。
对于两个相关变量，一个变量用符号x表示，另一个变量用y表示，两个变量的成对观测值可表示为（x1，y1），（x2，y2），……，（xn，yn），并可用Excel作成散点图（图5-3）。
从散点图（图5-3）中可以看出：
变量间关系的性质有三种：正相关（图a、b）、负相关（图d、e）、无相关（图f）。
变量间关系的类型有两种：直线型（图a、b、c、d）、曲线型（图f）。
变量间关系的相关程度有三种：紧密（图a、d）、不紧密（图b、e、f）、松散（图e）。