生物医学统计分析实验6报告.docx
《生物医学统计分析实验6报告.docx》由会员分享，可在线阅读，更多相关《生物医学统计分析实验6报告.docx（14页珍藏版）》请在冰豆网上搜索。
生物医学统计分析实验6报告
评分
大理大学实验报告
2015—2016学年度第2学期
课程名称生物医学统计分析
实验名称相关分析
专业班级2013级生物医学工程
姓名杨飞范小欢
学号20131661412013166143
实验日期2015年12月24日
实验地点工科楼503
一、实验目的
1、熟悉数据管理的相关操作；
2、学会数据的一些基本统计分析方法及操作。
二、实验环境
1.硬件配置：
处理器（Intel（R）Pentium（R）4cpu2.80GHz）、CD-ROM驱动器、鼠标、内存1GB（1024MB）、32位操作系统
2.软件环境：
IBMSPSS_Statistics_19_win32
三、实验内容
（1）课本第七章的例7.1-7.5运行一遍；
（2）然后将实验指导书中的例1-2运行一遍。
四、实验结果与分析
例7.1某科技人员饲养了35尾团头鲂，共重7.2kg，在水温29℃的条件下，测量摄食量（g）与耗氧量（mg
/kg.h）之间的关系，结果如表7-1所示，试计算摄食量与耗氧量的线性相关系数。
表7-1摄食量不同时团头鲂耗氧量的测定结果
摄食量（g）203040506070
耗氧量（mg
/kg.h）536.3573.5595.9628.9669.6725.7
实验结果：
表7.1-1摄食量与耗氧量的描述性统计量
均值
标准差
N
摄食量
45.00
18.708
6
耗氧量
621.6
68.4752
6
表7.1-2摄食量与耗氧量的相关性
摄食量
耗氧量
摄食量
Pearson相关性
1
.990**
显著性（双侧）
.000
N
6
6
耗氧量
Pearson相关性
.990**
显著性（双侧）
.000
N
6
6
分析：
表7.1-1为摄食量与耗氧量的描述性统计量的输出结果；
表7.1-2为摄食量与耗氧量之间的相关性分析结果，相关系数r=0.990，在SPSS的输出结果中，相关系数肩标“*”为P<0.05,差异显著；肩标“*”为P<0.01，差异极显著。
本例P=0.000<0.01,差异极显著，表明两变量之间存在极显著的正相关关系，即耗氧率随摄食量的增加而增加。
例7.2甲、乙评委对10头母牛进行评定，试分析甲、乙两评委评分的一致性。
表7.2-1甲、乙两评委评分的相关系数
甲
乙
Kendall的tau_b
甲
相关系数
1.000
.732*
Sig.（双侧）
.
.010
N
10
10
乙
相关系数
.732*
1.000
Sig.（双侧）
.010
.
10
10
Spearman的rho
甲
相关系数
1.000
.799**
Sig.（双侧）
.
.006
N
10
10
乙
相关系数
.799**
1.00
Sig.（双侧）
.006
.
N
10
10
*.在置信度（双测）为0.05时，相关性是显著的。
分析：
该题属于定序分析，只能用Kendall和Spearman分析，不能用Pearson分析；
表7.2-1是甲乙两个评委对奶牛的等级评定的kendallζ秩相关分析与Spearman秩相关分析结果。
由此可知，Kendallζ相关系数为0.732，P=0.01<0.05，秩相关系数具有显著的统计学意义；Spearman秩相关系数为0.799，P=0.006<0.01，说明具有极显著的统计学意义。
于是可认为两个评委的评定等级具有显著的一致性，即两者结论一致。
例7.38头金华猪胴体的肉色与PH值的大小顺序是否相关
表7.3-1金华猪胴体的肉色与PH值的相关性
肉色评分
PH
肉色评分
Pearson相关性
1
.850**
显著性（双侧）
.008
N
8
PH
Pearson相关性
.850**
1
显著性（双侧）
.008
N
8
8
**.在.01水平（双侧）上显著相关。
表7.3-2金华猪胴体的肉色与PH值的相关系数
肉色评分
PH
Kendall的tau_b
肉色评分
相关系数
1.000
.737*
Sig.（双侧）
.
.020
N
8
8
PH
相关系数
.737*
1.000
Sig.（双侧）
.020
.
N
8
8
Spearman的rho
肉色评分
相关系数
100
.848**
Sig.（双侧）
.
.008
N
8
8
PH
相关系数
.848**
1.000
Sig.（双侧）
.008
.
N
8
8
*.在置信度（双测）为0.05时，相关性是显著的。
**.在置信度（双测）为0.01时，相关性是显著的。
分析：
表7.3-1可知，肉色评分与PH值的Pearson秩相关系数为0.848，P=0.008<0.01,差异极显著，说明金华猪肉色与PH值的大小顺序有关。
同样的，该题属于定距分类，所以可以利用Kendall和Spearman分析，结果和Pearson分析一样。
由表7.3-2可知，Kendall的秩相关系数为0.737，P=0.020<0.05，Spearman的秩相关系数为0.848，P=0.008<0.01，差异极显著，说明金华猪的肉色与PH值的大小顺序有关。
例7.4穗数（X1）、粒数（X2）、产量（y）的相关分析
表7.4-1穗数、粒数、产量的描述性统计量
均值
标准差
N
穗数x1
31.600
2.6093
13
粒数x2
63.438
4.9658
13
产量y
5.77
24.280
13
表7.4-2穗数、粒数、产量的相关性分析
穗数x1
粒数x2
产量y
穗数x1
Pearson相关性
1
-.717**
.627*
显著性（双侧）
.006
.02
N
13
13
13
粒数x2
Pearson相关性
-.717**
1
.013
显著性（双侧）
.006
.967
N
13
13
13
产量y
Pearson相关性
.627*
.013
1
显著性（双侧）
.022
.967
N
13
13
13
**.在.01水平（双侧）上显著相关。
*.在0.05水平（双侧）上显著相关。
分析：
表7.4-1为穗数、粒数、产量的均数标准差。
穗数X1:
X=31.600，S=2.6093，粒数X2:
X=63.438，S=4.9658，产量y:
X=512.77，S=24.280；
表7.4-2为穗数、粒数、产量相关分析结果。
穗数X1与粒数X2的相关系数r=-0.717，P=0.006<0.01,差异极显著，即两者存在极显著的线性负相关关系；穗数X1与产量y的相关系数r=0.627，P=0.022<0.05,差异显著,两者存在正相关关系；粒数X2与产量的r=0.013，P=0.967>0.05,说明两者相关系不显著。
例7.5随机抽测某渔场16次放养记录，对鱼产量（y）和投饵量（X1）、放养量（X2）
进行偏相关分析。
表7.5-1鱼产量、投饵量、放养量描述统计量
均值
标准差
N
投饵量x1
9.919
2.0766
16
鱼产量y
8.744
1.8533
16
放养量x2
2.463
.5123
16
表7.5-2鱼产量、投饵量、放养量三个变量间的简单相关分析
控制变量
投饵量x1
鱼产量y
放养量x2
-无-a
投饵量x1
相关性
1.000
.332
-.394
显著性（双侧）
.
.209
.131
df
0
14
14
鱼产量y
相关性
.332
1.000
.561
显著性（双侧）
.209
.
.024
df
14
0
14
放养量x2
相关性
-.394
.561
1.000
显著性（双侧）
.131
.024
.
df
14
14
0
a.单元格包含零阶（Pearson）相关。
b.
表7.5-3三变量间的相关分析（控制变量为放养量）
控制变量
投饵量x1
鱼产量y
放养量x2
投饵量x1
相关性
1.000
.727
显著性（双侧）
.
.002
df
0
13
鱼产量y
相关性
.727
1.000
显著性（双侧）
.002
.
df
13
0
表7.5-4三变量间的相关分析（控制变量为投饵量）
控制变量
鱼产量y
放养量x2
投饵量x1
鱼产量y
相关性
1.000
.798
显著性（双侧）
.
.000
df
0
13
放养量x2
相关性
.798
1.000
显著性（双侧）
.000
.
df
13
0
表7.5-5三变量间的相关分析（控制变量为鱼产量）
控制变量
放养量x2
投饵量x1
鱼产量y
放养量x2
相关性
1.000
-.743
显著性（双侧）
.
.001
df
0
13
投饵量x1
相关性
-.743
1.000
显著性（双侧）
.001
.
df
13
0
分析：
该题有三个变量，在进行分析的时候两两变量间可能受第三个变量影响，因此需要进行偏相关分析；
表7.5-1为鱼产量、投饵量、放养量三变量的均数和标准差。
鱼产量y:
X=8.744，
S=1.8533，投饵量X1:
X=9.919，S=2.076，放养量X2:
X=2.463，S=0.5123。
表7.5-2给出的是三个变量间的简单相关分析，可见如果单独分析，鱼产量y与
放养量X2的相关系数r2y=0.561,P<0.05,具有显著地统计学意义；而鱼产量y与
投饵量X1的相关系数r1y=0.332，P>0.05不存在显著相关关系；放养量X2、投饵
量X1的相关系数r12=-0.394,P=0.131,未达到显著水平；
但当控制其中一个变量进行偏相关分析时，结果则不同：
由表7.5-3可知，当控制了放养量X2的影响后得到的鱼产量y和投饵量X1的偏
相关系数r1y.2=0.727，P<0.01,说明两者具有极显著的正相关关系；
同样的表7.5-4可知，当控制了投饵量X1的影响后，鱼产量y与放养量X2的偏
相关系数r2y.1=0.798，P<0.01,两者相关关系达到极显著水平，而未控制前两者的
相关系数r2y=0.561,P<0.05，只达到显著水平；
表7.5-5为控制鱼产量y的影响后投饵量X1与放养量X2的偏相关系数，此时
r12.y=-0.743，P<0.01，两者相关关系达到极显著水平，而未控制前两者的相关
关系r12。
y=-0.394，P>0.05,未达到显著水平。
例1分析健康儿童头发和全血中的硒含量
表1-1发硒和血硒的描述性统计量
均值
标准差
N
发硒
75.40
12.295
10
血硒
10.80
3.327
10
表1-2发硒和血硒的相关性
发硒
血硒
发硒
Pearson相关性
1
.872**
显著性（双侧）
.001
N
10
10
血硒
Pearson相关性
.872**
1
显著性（双侧）
.001
N
10
10
**.在.01水平（双侧）上显著相关。
分析：
该题分析发硒和血硒的相关性，属于定距变量，可以用Pearson、Kendall和Spearman分析，此处选用Pearson来分析；
表1-1显示发硒和血硒的均值、标准差和样本个数；
表1-2为Pearson相关性分析结果，本例相关系数r=0.872，P=0.001<0.01,差异极显著，表明两变量之间存在极显著的正相关关系，即健康儿童头发和全血中的硒含量成正相关，发硒越多，血硒越多。
例2对某地29名男童的身高（cm）和体重（kg）、肺活量（ml）进行偏相关分析
表2-1身高、体重、肺活量三个变量间的简单相关分析
控制变量
身高
肺活量
体重
身高
相关性
1.000
.
.588
.001
.719
.000
df
0
27
27
肺活量
相关性
.588
1.000
.613
显著性（双侧）
.001
.
.000
df
27
0
27
体重
相关性
.719
.613
1.000
显著性（双侧）
.000
.000
.
df
27
27
0
表2-2三变量间的偏相关分析（控制变量为体重）
控制变量
身高
肺活量
体重
身高
相关性
1.000
.269
显著性（双侧）
.
.167
df
0
26
肺活量
相关性
.269
1.000
显著性（双侧）
.167
.
df
26
0
表2-3三变量间的偏相关分析（控制变量为身高）
控制变量
肺活量
体重
身高
肺活量
相关性
1.000
.337
显著性（双侧）
.
.079
df
0
26
体重
相关性
.337
1.000
显著性（双侧）
.079
.
df
26
0
表2-3三变量间的偏相关分析（控制变量为肺活量）
控制变量
体重
身高
肺活量
体重
相关性
1.000
.562
显著性（双侧）
.
.002
df
0
26
身高
相关性
.562
1.000
显著性（双侧）
.002
.
df
26
0
分析：
该题有三个变量，在进行分析的时候两两变量间可能受第三个变量影响，因此需要进行偏相关分析；
表2-1为三个变量间的简单相关分析，可见如果单独分析，身高与体重的相关系数为0.719,P=0.000<0.01,具有极显著地统计学意义；身高与肺活量的相关系数为0.588，P=0.001<0.01,存在显著相关关系；体重与肺活量的相关系数为0.613，P=0.000<0.01达到极显著水平；
但当控制其中一个变量进行偏相关分析时，结果则不同：
由表2-2可知，当控制了体重的影响后得到的身高与肺活量的的偏相关系数为0.269，P=0.167>0.05,说明两者未达到显著水平；
同样的由表2-3可知，当控制了身高的影响后，体重与肺活量的的偏相关系数为0.337，P=0.079>0.05,说明两者未达到显著水平；
表2-4为控制肺活量的影响后身高与体重的偏相关系数为0.562，P=0.002<0.01，两者相关关系达到极显著水平。
五、实验小结
在涉及多个变量的生物学研究中，由于变量之间的关系比较复杂，任何两个变量间都有可能存在不同程度的线性相关关系，但是这种相关关系又含有其他变量的影响。
因此，简单相关分析实际上并不能真实反映两个变量间的相关关系，此时，应该用偏相关分析。
手写签名：
升级会员 