论文网
关于统计分析相关论文范文资料,与数学建模文摘要安全相关毕业论文模板
本论文是一篇关于统计分析相关毕业论文模板,关于数学建模文摘要安全相关专科毕业论文范文。免费优秀的关于统计分析及高血压及回归分析方面论文范文资料,适合统计分析论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。
播放:22422次 评论:5180人
图62007-2016年总发病人数随月份的变化曲线
从2007~2016年逐年脑卒中发病人数的月分布发现,该病以春节多发,高峰出现在3～5月,1月为次高峰,6～9月发病较为平缓,12月出现低谷期.由此可见发病存在一定的季节差异,脑卒中春季高于其他季节,而夏,秋,冬三季发病差异不大.
利用EXCEL中的"COUNTIFS"函数对脑卒中病例数据进行多重筛选统计患者数量,得到2007~2016四年每天的发病人数,其曲线如图7所示.
| 有关论文范文主题研究: | 统计分析类论文范文 | 大学生适用: | 学士学位论文、学院学士论文 |
|---|---|---|---|
| 相关参考文献下载数量: | 50 | 写作解决问题: | 如何怎么撰写 |
| 毕业论文开题报告: | 论文模板、论文总结 | 职称论文适用: | 论文发表、中级职称 |
| 所属大学生专业类别: | 如何怎么撰写 | 论文题目推荐度: | 经典题目 |
图72007-2016年总发病人数随天的变化曲线
根据式(1)求出2007~2016四年内每天的发病率,其发病率随时间的变化曲线如图8所示.
图82007-2016年发病率随天的变化曲线
从图7和图8可以看出,2007~2016四年内每天发病人数变化不大,每天的发病率基本保持不变.但是如果按天进行统计分析,每天的随机误差容易对结果造成影响,再每月的均值作为统计对象进行分析,四年内每月的发病率百分比曲线如图9所示.
图92007-2016年发病率随月的变化曲线
从图9可以看出,月发病率随时间呈周期性波动,具有一定的季节性.
4.1.2重要结论
脑卒中的发病有年集中趋势,更呈增长趋势,
发病存在时间差异,春节为高发季,1月为高峰月,
患者人数男性多于女性,性别比重为1.171,
工作性质对脑卒中发病有直接影响,农民为高危职业,
脑卒中发病处于老年阶段,集中年龄段71～80,且逐年呈年轻化发展.
4.2针对问题二的模型建立及求解
由问题分析可知,问题二属于一个多元统计分析模型,目标是研究因变量发病率与自变量温度(包括平均温度,最高温度,最低温度,温度差),湿度(包括平均湿度,最低湿度),气压(平均气压,最高气压,最低气压,气压差)之间的关系,本文主要从多元线性或非线性回归模型上进行分析.
4.2.1数据归纳与统计
附件(Appendix-C2)中的数据已经给出了2007-2016年每天对应的气象数据,可以在这基础上对气象数据进行进一步细化:
(1)计算每天的气压差与温差,最终得到2007~2016年期间每一天的气象特征信息——平均气压,最高气压,最低气压,气压差,平均温度,最高温度,最低温度,温度差,平均湿度,最低湿度等10个特征变量,
(2)按月份统计所有数据中每月的最大值及最小值情况.
最后将第一问进行统计出的发病率情况与气象数据信息进行一一关联,得到最终待分析的数据集,其数据形式如表5所示.
表5数据归纳统计形式
按天统计时间发病人数发病率发病率千分比平均气压最高气压最低气压平均温度最高温度最低温度平均湿度最低湿度气压差温度差2007/1/1980.0074017.400694761025.11028.51023.38.19.97.486715.22.52007/1/2320.0024172.416553391025.21026.71023.56.57.4684733.21.42007/1/3330.0024922.492070681026.11027.81025.156.94.286772.72.72007/1/4360.0027192.718622561027.11029.21025.75.97.44.282783.53.22007/1/5340.0025682.567587981027.110291025.256.54.384763.82.24.2.2多元回归分析过程
多元回归分析包括多元线性回归及多元非线性回归,判断方法主要通过绘制因变量与各个自变量之间的散点图,首先直观分析因变量与自变量的关系,如果从散点图可以看出明显的线性关系,那么可以考虑通过多元线性回归进行分析,如果从散点图并不能发现明显的线性规律,可能是呈非线性,也可能是多个自变量之间的耦合关系的影响,需要进一步分析才能决定.
4.2.2.1多元线性回归数学模型
若依变数Y同时受到m个自变数X1,X2,等,Xm的影响,且这m个自变数皆与Y成线性关系,则这m+1个变数的关系就形成m元线性回归.因此,一个m元线性回归总体的线性模型为:
式(2)
其中,～N(0,).相应的,一个m元线性回归的样本观察值组成为:
式(3)
在一个具有n组观察值的样本中,第j组观察值(j等于1,2,等,n)可表示为(x1j,x2j,等,xmj,yj),便是M等于(m+1)维空间中的一个点.
同理,一个m元线性回归方程可给定为:
式(4)
式(3)中,b0是x1,x2,等,xm都为0时y的点估计值,b1是by1·23等m的简写,它是在x2,x3,等,xm皆保持一定时,x1每增加一个单位对y的效应,称为x2,x3,等,xm不变(取常量)时x1对y的偏回归系数(partialregressioncoefficient),b2是by2·13等m的简写,它是在x1,x3,等,xm皆保持一定时,x2每增加一个单位对y的效应,称为x1,x3,等,xm不变(取常量)时x2对y的偏回归系数,依此类推,b3是x3对y的偏回归系数,等,bm是xm对y的偏回归系数.
在多元回归系统中,b0一般很难确定其专业意义,它仅是调节回归响应面的一个参数,bi(i等于1,2,等,m)表示了各个自变数xi对依变数y的各自效应,而则是这些各自效应的集合,代表着所有自变数对依变数的综合效应.
多元线性回归模型的求解可以直接通过SPSS软件和MATLAB的工具求解.
4.2.2.2按天的数据分析
显然,本文中的因变量Y为脑卒中发病人数或发病率或发病率千分比,自变量X有平均气压,最高气压,最低气压,气压差,平均温度,最高温度,最低温度,温度差,平均湿度,最低湿度等10个变量,首先按照每天的统计数据进行多元线性回归分析.
(1)观测发病率与自变量的散点图
以平均气压为例,绘制发病率千分比与平均气压的散点图如图10所示.
图102007-2016年每天发病率千分比与平均气压间的散点图
从该图可以看出发病率与平均气压并没有明显的线性变化关系,可能原因是发病率与平均气压的相关性不强,也可能是受其它自变量耦合关系的影响,因为要分析发病率与平均气压的关系必须要在其它指标保持不变或变化很小范围内研究才具有可靠性,因此需要进一步分析.
(2)所有变量两两相关性分析
将表5所示的数据导入SPSS软件中,进行变量之间的相关性分析,所得结果如表6所示.
表6发病率与10个自变量之间的相关性统计
发病率千分比平均气压Pearson相关性-.001显着性(双侧).965N1461最高气压Pearson相关性-.003显着性(双侧).910N1461最低气压Pearson相关性.001显着性(双侧).968N1461平均温度Pearson相关性.006显着性(双侧).834N1461最高温度Pearson相关性.009显着性(双侧).742N1461最低温度Pearson相关性.001显着性(双侧).977N1461平均湿度Pearson相关性-.072显着性(双侧).006N1461最低湿度Pearson相关性-.028显着性(双侧).290N1461气压差Pearson相关性-.015显着性(双侧).554N1461温度差Pearson相关性.024显着性(双侧).368N1461从表6可以看出,发病率只与平均湿度能通过显着性检验(<,0.05),且相关系数都非常低,但总体上发病率与最低气压呈正相关,与最高温度成正相关,与平均湿度成负相关,与温差呈正相关,与气压差呈负相关.
(3)逐步回归分析
从(1)和(2)分析可知发病率从单因素上讲,它与其它自变量的相关性非常小,且无规律可行,需要进行多因素分析,可以通过多元线性回归进行尝试.但是,部分自变量之间又存在很强的相关性,如关于温度的四个指标之间的相关系都大于0.9,因此发病率肯定不是所有这10个特征变量的函数表达式,因此本文采用逐步回归法进行分析.
逐步回归分析的基本原理
关于统计分析相关论文范文资料,与数学建模文摘要安全相关毕业论文模板参考文献资料：