首页 > 文献资料
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中，X与Y都是随机变量；在回归分析中，Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中，X与Y都是随机变量；在回归分析中，Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中，X与Y都是随机变量；在回归分析中，Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中， X与Y都是随机变量；在回归分析中， Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中，X与Y都是随机变量；在回归分析中，Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
直线相关与回归分析的区别和联系
区别:①资料要求不同:直线相关分析要求两个变量都是正态分布;回归分析要求因变量Y服从正态分布,而自变量X是能精确测量和严格控制的变量. ②统计意义不同:直线相关分析反映两变量间的伴随关系,这种关系是相互的、对等的,不一定有因果关系;回归则分析反映两变量间的依存关系,一般将"因"或较易测定、变异较小者定为自变量,这种依存关系可能是因果关系或从属关系. ③分析目不同:直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来;回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来,回归分析不仅可以揭示X对Y的影响大小,还可以由回归方程进行数量上的预测和控制. ④变量的意义不同:在回归分析中,因变量Y处在被解释的特殊地位;在直线相关分析中,X与Y处于平等的地位.
-
直线相关与回归分析的区别和联系
区别：①资料要求不同：直线相关分析要求两个变量都是正态分布；回归分析要求因变量Y服从正态分布，而自变量X是能精确测量和严格控制的变量。②统计意义不同：直线相关分析反映两变量间的伴随关系，这种关系是相互的、对等的，不一定有因果关系；回归则分析反映两变量间的依存关系，一般将“因”或较易测定、变异较小者定为自变量，这种依存关系可能是因果关系或从属关系。③分析目不同：直线相关分析的目的是把两变量间直线关系的密切程度及方向用一统计指标表示出来；回归分析的目的则是把自变量与应变量间的关系用函数公式定量表达出来，回归分析不仅可以揭示X对Y的影响大小，还可以由回归方程进行数量上的预测和控制。④变量的意义不同：在回归分析中，因变量Y处在被解释的特殊地位；在直线相关分析中，X与Y处于平等的地位。在直线相关分析中，X与Y都是随机变量；在回归分析中，Y是随机变量，X可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定X是非随机的。
-
静态电位溶出标准连续加入法测定食盐中的铅
食盐的主要成份是氯化钠,同时含有许多其它离子,食盐中铅离子的测定目前较常采用的是双硫腙法和原子吸收方法[1,2],前者灵敏度比较低,操作繁琐,费时费试剂,使用剧毒的氰化钾污染环境;后者因为有大量氯化钠离子存在而产生基体干扰,由于盐效应,火焰原子吸收是无法直接测定食盐中的铅含量;石墨炉方法需要加入基体改进剂[3,4],高背景吸收影响结果的准确.
-
高效液相色谱法测定血液中苯丙哌啉
磷酸苯丙哌啉是兼具外周和中枢作用的非成瘾性镇咳药,毒性小,疗效高,目前是临床广泛应用的镇咳药.本文采用高效液相色谱建立了血清中苯丙哌啉的测定方法,并对十名健康志愿者进行了生物利用度测试.结果表明该方法准确性好,重现性高,操作简便易行.直线回归方程Y=0.00194X+0.02,相关系数γ=0.9998,三浓度水平的血样加标的回收率范围分别为96.6%±6.37;91.1%士2.49;91.47%±2.12.日内、日间变异系数为2.3%～7.0%,低检出限20ng/ml(进样20μl).
-
卫生理化检验中的有效数字及整理原则
进行卫生理化实验的过程中需要读取各种各样的数据,有常规玻璃容器的、普通分析仪器的及大型精密仪器的,实验结束时要对读取的各种各样的数据进行处理和计算,报出结果.这时会碰到有效数字的问题.在实际工作中我发现不少分析工作者对有效数字的运用不是很清楚(如不知道自己的计算结果应保留几位有效数字,有的甚至把回归方程表示成y=3.082670232x+0.004180803246等等).有效数字的准确运用是分析质量控制的重要保证.下面是作者将有效数字的概念与实际工作相结合的归纳总结.
-
Y=a1b1x和x=a2b2等值的商榷
卫生检验常遇到直线回归方程:Y=a1+b1x (1)X=a2+b2Y (2)文(1)探讨了分析工作中,用标准色列估计被测物含量时,使用回归方程(1)和(2)等值条件,即:-a1b2/a2=a2b1/a1=b1b2=1.00提出方程(1)和(2)"有时存在斜率和截距上的差异,使得两个方程不能等值."
-
Schi(o)tz、Perkins和Rebound 3种便携式眼压计测量兔眼压值的回归校正
背景 兔是建立降眼压手术和药物治疗模型的常用动物,其眼压测量的准确性在数据分析和定量评价中至关重要,目前测量兔眼压精确的方法是前房插管测压法,但为有创测量法.Schi(o)tz眼压计、Perkins眼压计和Rebound眼压计测量均为无创测量法,使用更为简便,但关于这三者测量兔眼压的准确性研究较少. 目的 以前房插管测压法测量值(IMV)为基准作为实际眼压值,探讨Schi(o)tz眼压计、Perkins眼压计和Rebound眼压计测量兔眼压值的准确性,并结合兔眼球生理参数,对Schi(o)tz眼压计读数(STV)、Perkins眼压计读数(PTV)和Rebound眼压计读数(RTV)进行校正.方法 选择健康成年新西兰大耳白兔8只,均取右眼为实验眼,利用Lenstar900和超声生物显微镜(UBM)分别测量其中央角膜厚度(CCT)、角膜曲率(CC)、眼轴长度(AL)、前房深度(ACD)、晶状体厚度(LT)和巩膜厚度(ST).全身麻醉下行右眼玻璃体腔和前房穿刺,玻璃体腔置管连接平衡盐溶液(BSS)以建立眼压梯度,前房插管测压法测量实际眼压,同步同梯度获得STV、PTV和RTV;以IMV为基准,将STV、PTV与RTV结合兔眼球生理参数,获得其多元回归方程对眼压值进行校正. 结果 测得8只眼球的生理参数,CCT为(338.96±21.52)μm,CC为(51.68±1.66)D,AL为(14.63±0.19) mm,ACD为(2.22±0.04)mm,LT为(6.15±0.10)mm,ST为(339.80±47.41) μm.与IMV相比较,Schi(o)tz、Perkins和Rebound眼压计测量值的误差分别为(17.08±11.22)、(25.81±12.43)和(22.50±11.47) mmHg(1 mmHg=0.133 kPa),差异均有统计学意义(t=10.54、14.39、13.59,均P＜0.05).STV、PTV、RTV与IMV的95％一致性界限较大,随着实际眼压的升高,测量误差增大.IMV(实际眼压)与STV的回归方程为:实际眼压=141.015+1.570×STV+0.122×CCT-3.480×CC (R=0.92,P=0.00);与PTV回归方程为:实际眼压=-33.323+1.914×PTV+0.133×CCT(R=0.88,P=0.00);与RTV回归方程为:实际眼压=160.395+1.866× RTV+0.201×CCT+34.554×LT-2.649×CC+0.063×ST(R=0.95,P=0.00).结论 兔眼的生理参数与人眼有诸多差异,临床上常用的3种便携式眼压计测得的兔眼压值与实际眼压差异较大,需要结合兔眼球生理参数进行回归校正,以降低误差.
-
胎儿输尿管的外径及长度观测与回归分析
目的 探讨胎儿顶臀长与输尿管的关系,为诊治输尿管疾病提供解剖学资料.方法 大体解剖28例胎儿,观测胎儿顶臀长(CRL 即坐高),输尿管的长度及出肾处、中段处、入膀胱处3点外径,建立顶臀长与输尿管3处的回归方程.结果 顶臀长为234.6±50.1 mm;左、右侧输尿管的长度分别为:50.3±14.0 mm,47.6±13.7 mm.左、右侧输尿管外径在入膀胱处无显著性差异(P＞0.05),在中段及出肾处有显著性差异(P＜0.05).左、右侧输尿管各处外径与顶臀长、胎龄有较明显的相关性,存在线性依存关系,可以建立回归方程.结论 建立回归方程可推算输尿管各处外径,为影像学诊断输尿管扩张性疾病提供依据.
-
032 中国健康中年人全血比粘度参考值与海拔高度的关系
目的: 为制定中国健康中年人全血比粘度参考值的统一标准提供科学依据. 方法: 本文收集了中国各地用毛细管法测定的健康中年人全血比粘度参考值, 并对其与海拔高度的关系进行了研究. 结果: 发现随着海拔高度的逐渐增大, 健康中年人全血比粘度参考值也在逐渐的增大, 相关性很显著(r1=0.867, r2=0.788). 用一元回归分析的方法推导出了二个回归方程(y^1=4.35+0.000 736 x±0.98, y^2=3.84+0.000 584 x±0.89). 结论: 如果知道了中国某地的海拔高度, 就可以用回归方程估算这个地区的健康中年人全血比粘度参考值.
