探索性數據分析

1、研究生課程論文 課程名稱：探索性數據分析 論文題目：同時描述兩個變量的案例分析 基于JMP軟件 姓 名： 學 號： 課程老師 本次將主要對第四章的同時描述兩個變量進行簡單地案例分析，這章主要將數據劃分分兩類：定類變量（建模中包括定名型和定序型）以及連續(xù)變量。在兩個變量關系的研究中，我們需要分析上述兩類變量的三種組合：兩個定類變量、兩個連續(xù)變量、連續(xù)變量和定類變量各一個。本章中，我們將會學習上述三種成對二元數據的幾種常見分析方法。共同變化描述：兩個定類變量主要通過初識二元分布圖、馬賽克圖、列聯表描述共同變化描述：兩個連續(xù)變量主要通過兩個連續(xù)變量的分布、散點圖、相關系數矩陣描述兩組比較：一個連續(xù)變

2、量，一個定類變量主要通過單因子分析描述案例分析背景：高血壓仍然是美國人的主要健康問題。數據表（NHANES）包含了來自于2005年美國對大量人群調查所得到的數據。在該案例分析中，我們只關注一下變量：RIAGENDR:受調查者的性別RIDAGEYR:受調查者的年齡（單位：年）RIDRETH1：受調查者的種族或民族背景BMXWT:受調查者的體重（單位：千克）BPXPLS:受調查者的靜息脈率BPXSY1：受調查者的收縮壓（最高值以BP為單位）BPXD1：受調查者的舒張圖（最小值以BP為單位）a、 繪制收縮壓與年齡的散點圖。在這個樣本中，血壓會隨著人們的年齡發(fā)生什么樣的變化？繪制的散點圖如下：二元擬合

3、，以“RIDAGEYR”擬合“BPXSY1”線性擬合BPXSY1 = 101.87455 + 0.4873796*RIDAGEYR擬合匯總 R 方0.333854調整 R 方0.333754均方根誤差15.37906響應均值119.0438觀測數（或權重和）6668方差分析源自由度平方和均方F 比模型1790155.27901553340.819誤差66661576612.0237概率>F校正總和66672366767.2<.0001*參數估計值項 估計值標準誤差t 比概率>|t|截距101.874550.35172289.65<.0001*RIDAGEYR0.4873

4、7960.00843257.80<.0001* 圖1 散點圖 從上圖可以看出，散點大部分都在紅色擬合線附近，但散點呈現的形態(tài)與一條理想的直線的關系卻相差甚遠。在本例中R2為0.33，說明擬合效果較差，血壓和年齡之間的關系不是很明顯。b、計算并輸出收縮壓和舒張壓之間的相關性度量。 連續(xù)型數據的概括性描述被稱為相關性分析，它度量了兩個變量間線性相關強度。線性相關系數用字母r表示，是r方的平方根，因此，r的取值范圍是-1.1。r越接近區(qū)間端點，兩個變量間的線性關系就越弱。兩變量的相關系數矩陣如下圖2：圖2 相關系數矩陣 從上表可以看出，收縮壓和舒張壓的相關系數是0.3993，說明兩者的相關性不是很明顯。c、比較男性和女性見收縮壓的分布分布圖如下：圖3 分布圖 從上圖3可以看出，男性的收縮壓和女性的收縮壓差不多，男性為49.095%，女性為50.905%，說明收縮壓和性別之間不存在特別大的關系。測量地大部分結果都集中在6575之間。d、比較以種族或民族背景為依據的收縮壓的分布。分布圖如下：圖4 分布圖 從上述圖4可以看出，非西班牙裔白人收縮壓占得比例最高，為37.97%，墨西哥裔美國其次，為27.528%，非西班牙裔黑人為26.281%。e、繪制收縮壓與靜息脈率的散點圖。