探索性数据分析

1、研究生课程论文 课程名称：探索性数据分析 论文题目：同时描述两个变量的案例分析 基于JMP软件 姓 名： 学 号： 课程老师 本次将主要对第四章的同时描述两个变量进行简单地案例分析，这章主要将数据划分分两类：定类变量（建模中包括定名型和定序型）以及连续变量。在两个变量关系的研究中，我们需要分析上述两类变量的三种组合：两个定类变量、两个连续变量、连续变量和定类变量各一个。本章中，我们将会学习上述三种成对二元数据的几种常见分析方法。共同变化描述：两个定类变量主要通过初识二元分布图、马赛克图、列联表描述共同变化描述：两个连续变量主要通过两个连续变量的分布、散点图、相关系数矩阵描述两组比较：一个连续变

2、量，一个定类变量主要通过单因子分析描述案例分析背景：高血压仍然是美国人的主要健康问题。数据表（NHANES）包含了来自于2005年美国对大量人群调查所得到的数据。在该案例分析中，我们只关注一下变量：RIAGENDR:受调查者的性别RIDAGEYR:受调查者的年龄（单位：年）RIDRETH1：受调查者的种族或民族背景BMXWT:受调查者的体重（单位：千克）BPXPLS:受调查者的静息脉率BPXSY1：受调查者的收缩压（最高值以BP为单位）BPXD1：受调查者的舒张图（最小值以BP为单位）a、 绘制收缩压与年龄的散点图。在这个样本中，血压会随着人们的年龄发生什么样的变化？绘制的散点图如下：二元拟合

3、，以“RIDAGEYR”拟合“BPXSY1”线性拟合BPXSY1 = 101.87455 + 0.4873796*RIDAGEYR拟合汇总 R 方0.333854调整 R 方0.333754均方根误差15.37906响应均值119.0438观测数（或权重和）6668方差分析源自由度平方和均方F 比模型1790155.27901553340.819误差66661576612.0237概率>F校正总和66672366767.2<.0001*参数估计值项 估计值标准误差t 比概率>|t|截距101.874550.35172289.65<.0001*RIDAGEYR0.4873

4、7960.00843257.80<.0001* 图1 散点图 从上图可以看出，散点大部分都在红色拟合线附近，但散点呈现的形态与一条理想的直线的关系却相差甚远。在本例中R2为0.33，说明拟合效果较差，血压和年龄之间的关系不是很明显。b、计算并输出收缩压和舒张压之间的相关性度量。 连续型数据的概括性描述被称为相关性分析，它度量了两个变量间线性相关强度。线性相关系数用字母r表示，是r方的平方根，因此，r的取值范围是-1.1。r越接近区间端点，两个变量间的线性关系就越弱。两变量的相关系数矩阵如下图2：图2 相关系数矩阵 从上表可以看出，收缩压和舒张压的相关系数是0.3993，说明两者的相关性不是很明显。c、比较男性和女性见收缩压的分布分布图如下：图3 分布图 从上图3可以看出，男性的收缩压和女性的收缩压差不多，男性为49.095%，女性为50.905%，说明收缩压和性别之间不存在特别大的关系。测量地大部分结果都集中在6575之间。d、比较以种族或民族背景为依据的收缩压的分布。分布图如下：图4 分布图 从上述图4可以看出，非西班牙裔白人收缩压占得比例最高，为37.97%，墨西哥裔美国其次，为27.528%，非西班牙裔黑人为26.281%。e、绘制收缩压与静息脉率的散点图。