两变量间相关与回归分析
简要说明相关分析与回归分析的区别
相关分析与回归分析的区别和联系
一、回归分析和相关分析主要区别是：
1、在回归分析中,y被称为因变量,处在被解释的特殊地位,而在相关分析中,x与y处于平等的地位,即研究x与y的密切程度和研究y与x的密切程度是一致的；
2、相关分析中,x与y都是随机变量,而在回归分析中,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；
3、相关分析的研究主要是两个变量之间的密切程度,而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.
二、回归分析与相关分析的联系：
1、回归分析和相关分析都是研究变量间关系的统计学课题。
2、在专业上研究上：
有一定联系的两个变量之间是否存在直线关系以及如何求得直线回归方程等问题,需进行直线相关分析和回归分析。
3、从研究的目的来说：
若仅仅为了了解两变量之间呈直线关系的密切程度和方向,宜选用线性相关分析；若仅仅为了建立由自变量推算因变量的直线回归方程,宜选用直线回归分析.
三、扩展资料：
1、相关分析是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法。
例如，人的身高和体重之间；空气中的相对湿度与降雨量之间的相关关系都是相关分析研究的问题。
2、回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。
运用十分广泛。
回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。
统计学中的相关分析与回归分析的关系
统计学中的相关分析与回归分析的关系统计学是一门研究如何收集、整理、描述和解释数据的学科。
在统计学中，相关分析和回归分析是两个重要的方法，用于了解和探究变量之间的关系。
尽管相关分析和回归分析在某些方面有相似之处，但它们在目的、数据类型和结果解释方面存在一些差异。
相关分析是一种用于衡量和描述两个或多个变量之间关联关系的方法。
相关分析可以帮助我们确定变量之间的线性相关程度，即一个变量的变化伴随着另一个变量的变化。
通过计算相关系数，我们可以了解这种关系的强度和方向。
常用的相关系数包括皮尔逊相关系数和斯皮尔曼等级相关系数。
与此不同，回归分析旨在建立一个数学模型，以描述和预测因变量与自变量之间的关系。
回归分析可以通过拟合曲线或平面来表示变量之间的关系，并用方程式来描述这种关系。
回归分析使用的模型可以是线性回归、多项式回归、对数回归等。
通过回归分析，我们可以根据自变量的值来估计因变量的值，并评估自变量对因变量的影响程度。
虽然相关分析和回归分析在某些情况下可互相转化，但它们具有不同的目标和应用范围。
相关分析主要用于探索变量之间的关系，确定它们之间的关联强度和方向，但不提供因果关系。
而回归分析则旨在建立一个模型，通过这个模型可以对未知的因变量进行预测，并且可以评估自变量对因变量的影响。
此外，相关分析和回归分析适用于不同类型的数据。
相关分析通常用于分析连续变量之间的关系，而回归分析可以应用于连续变量、二分类变量和多分类变量之间的关系。
在实际应用中，相关分析和回归分析常常结合使用。
首先，我们可以通过相关分析来初步检验变量之间是否存在关系。
如果相关分析结果显示两个变量之间存在显著相关性，我们可以进一步使用回归分析来建立一个模型，以更好地理解和预测这种关系。
在总结中，统计学中的相关分析和回归分析是两个相互关联的方法。
相关分析用于探究变量之间的关系和相关性，而回归分析则用于建立一个数学模型，描述和预测因变量与自变量之间的关系。
回归系数与相关系数的关系
回归系数与相关系数的关系回归分析是一种常用的统计方法，它可以用来研究两个或多个变量之间的关系。
其中，回归系数和相关系数是回归分析中非常重要的概念，它们之间存在着密切的关系。
本文将从回归系数和相关系数的定义、计算方法以及意义等方面，探讨它们之间的关系。
一、回归系数和相关系数的定义回归系数是用来描述自变量与因变量之间关系的参数。
在一元线性回归中，回归系数通常表示为β1，它表示因变量y对自变量x的变化量，即y的平均值随着x的变化而变化的程度。
在多元回归中，回归系数通常表示为βi，表示因变量y对自变量xi的变化量，即y 的平均值随着xi的变化而变化的程度。
相关系数是用来描述两个变量之间线性相关程度的指标。
它通常用r表示，在一定程度上反映了两个变量之间的相似程度。
当r=1时，表示两个变量完全正相关；当r=-1时，表示两个变量完全负相关；当r=0时，表示两个变量之间不存在线性相关关系。
二、回归系数和相关系数的计算方法在一元线性回归中，回归系数β1的计算方法为：β1=Σ((xi- x)(yi- y))/Σ(xi- x)^2其中，x表示自变量的平均值，y表示因变量的平均值，xi和yi 分别表示第i个样本的自变量和因变量的值。
相关系数r的计算方法为：r=Σ((xi- x)(yi- y))/√(Σ(xi- x)^2Σ(yi- y)^2)在多元回归中，回归系数βi的计算方法为：βi=(XTX)^-1XTY其中，X表示自变量的矩阵，Y表示因变量的向量，T表示转置，-1表示矩阵的逆。
三、回归系数和相关系数的意义回归系数和相关系数都是用来描述两个变量之间关系的指标，但它们的意义有所不同。
回归系数描述的是因变量在自变量变化时的变化量，它可以用来预测因变量的变化情况。
例如，一个人的身高和体重之间存在一定的关系，假设我们已经建立了身高和体重之间的回归模型，其中回归系数为2.5，那么当这个人的身高增加1厘米时，他的体重预计会增加2.5公斤。
数据分析中的相关系数与回归分析
数据分析中的相关系数与回归分析数据分析是一门重要的学科，它通过收集、整理和分析数据来揭示数据背后的信息和规律。
在数据分析的过程中，相关系数和回归分析是两个常用的分析方法。
本文将介绍相关系数和回归分析的概念、计算方法以及应用场景。
一、相关系数相关系数用于衡量两个变量之间的相关性强度。
在数据分析中，我们经常会遇到多个变量之间的相互影响关系。
相关系数可以帮助我们了解这些变量之间的联系程度，从而更好地进行数据分析和决策。
计算相关系数的常用方法是皮尔逊相关系数（Pearson correlation coefficient）。
该系数的取值范围在-1到1之间，取值接近1表示两个变量呈正相关关系，取值接近-1表示两个变量呈负相关关系，取值接近0表示两个变量之间没有线性相关关系。
相关系数的计算可以使用公式：其中，n表示样本容量，X和Y分别表示两个变量的观测值，X的均值为μX，Y的均值为μY。
通过计算协方差和标准差，可以得到两个变量之间的相关系数。
相关系数在许多领域有着广泛的应用。
例如，在金融领域，相关系数可以用于衡量不同投资品之间的相关性，从而帮助投资者构建更加稳健和多样化的投资组合。
在医学研究中，相关系数可以用于分析药物疗效和副作用之间的关系。
在市场调研中，相关系数可以用于评估产品销售和广告投放之间的关联性。
二、回归分析回归分析是一种通过建立数学模型来预测和解释变量之间关系的方法。
它可以帮助我们了解一个或多个自变量对因变量的影响程度，并进行预测和推断。
回归分析的常用方法包括线性回归、多项式回归、逻辑回归等。
在这些方法中，线性回归是最常用的一种。
线性回归通过建立一个线性方程来描述自变量和因变量之间的关系。
例如，当只有一个自变量和一个因变量时，线性回归可以表示为：其中，Y表示因变量，X表示自变量，β0和β1表示回归系数，ε表示误差项。
回归分析的目标是通过拟合找到最佳的回归系数，使得拟合值尽可能接近实际观测值。
相关性分析和回归分析
相关性分析和回归分析相关性分析和回归分析是统计学中两种常见的统计工具，它们可以帮助我们更好地理解数据并从中提取出有用的信息。
相关性分析是研究两个或以上变量之间相互关系的一种方法，它确定两个变量之间的线性关系，试图推断其变量对其他变量的影响程度。
相关性分析通常分为两类，即变量间的相关性分析和单变量的相关性分析，它们通常使用皮尔森积矩关系来描述变量之间的关系。
回归分析是一种用于确定变量之间相互影响关系的统计分析方法，它可以用来预测变量的变化趋势，并以最小平方和误差度量结果的实际准确性。
回归分析通过构建预测模型来预测未来的结果，并通过残差分析来检测模型的准确性。
相关性分析和回归分析都是统计学中常用的分析方法，它们可以帮助我们更好地理解数据，并应用更多的知识进行数据分析。
首先，我们需要对数据进行观察，分析数据的规律。
为了进行有效的分析，必须了解数据变量之间的相关性，并正确记录变量值。
其次，我们需要使用相关性分析来确定数据变量之间的关系，并确定变量之间存在的线性关系。
接下来，要使用回归分析来建立模型，以预测未来的变量值。
最后，我们可以分析统计检验结果并进行总结，以指导下一步操作。
相关性分析和回归分析也可以用来评估两个或多个变量的影响，以支持业务决策。
在衡量两个或多个变量之间的关系时，可以利用将变量的数值表示成皮尔森积矩关系来评估彼此之间的函数关系。
回归分析也可以用来估算模型的精确性，可以用来评估模型的准确性并决定其可信度。
为此，我们只需要对模型的预测结果与实际观察值进行比较，并计算在模型上受误差影响的准确性。
总的来说，相关性分析和回归分析是统计学中重要的统计工具，它们可以有效地帮助研究人员更好地理解数据，并从中获得有用的信息。
它们可以用来监测数据变量之间的关系，并评估业务问题的潜在影响。
它们还可以用来估算模型的准确性和可信度，以便用于业务策略制定。
相关与回归的区别与联系
相关与回归的区别与联系相关与回归是统计学中常见的两个概念，它们在数据分析和建模中起着重要的作用。
虽然相关与回归都涉及到变量之间的关系，但它们在实际应用中有着不同的含义和用途。
本文将从相关与回归的定义、计算方法、应用领域等方面进行详细的比较，以便更好地理解它们之间的区别与联系。
相关是指两个或多个变量之间的关联程度，用相关系数来衡量。
相关系数的取值范围在-1到1之间，0表示无相关，1表示完全正相关，-1表示完全负相关。
相关系数的计算可以采用皮尔逊相关系数、斯皮尔曼相关系数等方法。
相关分析主要用于描述和衡量变量之间的线性关系，帮助我们了解变量之间的相互影响程度。
回归分析则是一种建立变量之间关系的数学模型的方法。
回归分析可以分为线性回归、多元回归、逻辑回归等不同类型，用于预测和解释变量之间的关系。
回归分析通过拟合数据点来找到最佳拟合线或曲线，从而建立变量之间的函数关系。
回归分析广泛应用于经济学、社会学、生物学等领域，帮助研究人员进行数据建模和预测。
相关与回归之间的联系在于它们都是用来研究变量之间的关系的方法。
相关分析可以帮助我们初步了解变量之间的相关程度，为后续的回归分析提供参考。
而回归分析则可以更深入地探究变量之间的函数关系，帮助我们建立预测模型和解释变量之间的因果关系。
因此，相关与回归在数据分析中常常是相辅相成的。
然而，相关与回归之间也存在一些区别。
首先，相关分析更注重描述变量之间的关系，而回归分析更注重建立变量之间的函数关系。
其次，相关系数的取值范围在-1到1之间，而回归系数则可以是任意实数。
最后，相关分析不涉及因果关系，而回归分析可以用来解释变量之间的因果关系。
综上所述，相关与回归在统计学中有着不同的含义和用途，但又有着密切的联系。
通过对相关与回归的区别与联系进行深入理解，我们可以更好地运用它们来分析数据、建立模型，为科学研究和决策提供有力支持。
希望本文能够帮助读者更好地理解相关与回归的概念和应用，提升数据分析能力和研究水平。
回归分析与相关性分析的基本原理与应用
回归分析与相关性分析的基本原理与应用数据分析是现代社会中非常重要的一个领域，在各个行业和领域中都有广泛的应用。
而回归分析和相关性分析是数据分析中经常使用的两种方法，本文将探讨回归分析和相关性分析的基本原理和应用。
一、回归分析的基本原理与应用回归分析是用来研究变量之间关系的一种统计方法，主要用于预测一个变量（因变量）与其他变量（自变量）之间的关系。
具体来说，回归分析可以帮助我们确定自变量对因变量的影响程度以及预测因变量的取值。
回归分析的基本原理是基于线性回归模型，即通过建立一个线性方程来描述因变量和自变量之间的关系。
简单线性回归模型的表达式为：Y = α + βX + ε，其中Y表示因变量，X表示自变量，α和β为回归系数，ε为误差项。
在应用回归分析时，我们需要确定自变量与因变量之间的关系强度以及回归系数的显著性。
这可以通过计算相关系数、拟合优度等统计指标来实现。
此外，回归分析还可以通过预测因变量的取值来进行决策和规划，例如销量预测、市场需求预测等。
二、相关性分析的基本原理与应用相关性分析是用来研究变量之间线性相关关系的一种统计方法，主要用于衡量变量之间的相关性程度。
相关性分析可以帮助我们理解变量之间的相互关系，以及在研究和预测中的应用。
相关系数是用来衡量两个变量之间相关性的指标，最常用的是皮尔逊相关系数。
皮尔逊相关系数的取值范围在-1到1之间，其中-1表示完全负相关，1表示完全正相关，0表示无相关性。
通过计算相关系数可以判断两个变量之间是否存在线性关系，以及线性关系的强弱程度。
在应用相关性分析时，我们可以利用相关系数来进行综合评价和比较。
例如，在市场研究中，我们可以通过相关性分析来确定产品特性与客户购买意愿之间的关系，以指导产品开发和市场推广策略。
三、回归分析与相关性分析的比较回归分析和相关性分析都是研究变量之间关系的统计方法，但它们在方法和应用上存在一些区别。
首先，回归分析主要关注自变量对因变量的影响程度和预测，而相关性分析主要关注变量之间的相关程度。
相关分析与回归分析的基本原理
相关分析与回归分析的基本原理1. 引言相关分析与回归分析是统计学中常用的两种数据分析方法，它们可以帮助研究者理解变量之间的关系，并根据这些关系进行预测。
本文将介绍相关分析和回归分析的基本原理，包括其定义、应用场景以及计算方法。
2. 相关分析2.1 定义相关分析是一种用来研究两个或多个变量之间关系的统计方法。
它通过计算相关系数来衡量变量之间的相关性。
相关系数的取值范围为-1到1，其中-1表示完全的负相关，1表示完全的正相关，0表示无相关关系。
2.2 应用场景相关分析可应用于许多领域，如市场研究、医学研究、金融分析等。
例如，在市场研究中，我们可以使用相关分析来研究产品销量与广告投入之间的关系，了解其相关性，并根据相关性进行决策。
2.3 计算方法计算两个变量之间的相关系数可以使用皮尔逊相关系数或斯皮尔曼相关系数。
皮尔逊相关系数适用于连续变量，而斯皮尔曼相关系数适用于有序变量或非线性关系。
3. 回归分析3.1 定义回归分析是一种用来研究变量之间关系的统计方法，其基本思想是通过构建适当的数学模型来描述一个或多个自变量对因变量的影响。
回归分析可以帮助预测未来的观察值，并理解变量之间的因果关系。
3.2 应用场景回归分析可以应用于各种预测和建模的场景。
例如，在金融领域，回归分析可以用来预测股票价格的变动，了解影响股价的各种因素，并根据这些因素进行投资决策。
3.3 计算方法回归分析通常使用最小二乘法来拟合变量间的线性关系。
在回归分析中，自变量可以是单个变量或多个变量，而因变量是需要预测或解释的变量。
通过最小化残差平方和，可以得到最佳拟合的回归模型。
4. 相关分析与回归分析的联系与区别4.1 联系相关分析和回归分析都是用来研究变量之间关系的统计方法，它们都可以帮助研究者理解变量之间的相关性和影响程度。
4.2 区别相关分析主要关注变量之间的相关性，通过计算相关系数来衡量相关性的强度和方向；而回归分析则更加关注自变量对因变量的影响程度和预测能力，适用于建立因果关系和预测模型。
相关分析和回归分析
相关分析和回归分析相关分析和回归分析是统计学中最基础的两种分析方法，它们都用于研究数据变量之间的关系。
因为它们都是研究两个变量之间关系的，所以它们常常会被混淆起来，但它们其实在原理上是不同的，有不同的应用场景。
一、相关分析相关分析是一种简单的统计分析，用来检验不同变量之间是否存在相互关系。
它可以通过计算出变量之间的相关系数，来判断变量之间是线性关系还是非线性关系。
另外，它还可以度量两个变量的线性关系的相关程度，用来度量不同变量之间的关系强度。
相关分析的应用非常广泛，它可以帮助研究者了解数据之间的关系，也可以用来预测数据的变化趋势。
比如，可以用相关分析来研究一个地区的薪水水平和就业水平之间的关系，用来预测未来就业水平和薪资水平会有怎样的变化趋势。
二、回归分析回归分析是一种统计分析，用以研究两个变量之间的数量关系，并建立起变量之间的数量模型。
它用于预测和分析数据，从而探索数据之间的关系。
比如，从客户收入、购买频率等多个因素来建立一个回归模型，从而预测客户的未来购买意愿。
回归分析也是一种非常有用的统计方法，它可以用来研究数据之间的关系，并预测数据未来的变化趋势。
另外，它还可以用来预测特定变量的值，比如预测未来股市的涨跌情况。
总结以上就是相关分析和回归分析的基本内容介绍。
相关分析用于研究数据变量之间的关系，可以帮助研究者了解数据之间的关系，并预测数据的变化趋势；而回归分析是一种统计分析，用以研究两个变量之间的数量关系，可以用来预测特定变量的值，也可以研究数据之间的关系，并预测数据未来的变化趋势。
相关分析和回归分析可以说是统计学中最基础的两种分析方法，它们都具有重要的应用价值，广泛用于各种数据分析工作。
两变量间相关与回归分析
两变量间相关与回归分析
对一个变量的每个可能取值，另一个变量 都有完全确定的值与之对应，则称这两个变量 之间的关系呈现函数关系，称确定性关系。若 两变量之间确实存在着某种关系，但这种关系 不是一一对应的函数关系，称非确定性关系。
两变量间相关与回归分析
第一节 直线相关
5.7266
1831.24 3.294834
XY (6) 5.81130 6.25282 6.42960 6.50916 7.33862 8.23918 8.39520 9.09198 9.23400 10.25760 77.55946
计算步骤如下：
1、绘制散点图：Y0.660源自640.620.60
0.58
0.56
0.54
0.52
11
12
13
14
15
16
X
两变量间相关与回归分析
2、相关系数的计算
l X X ( X x ) 2 X 2 (n X ) 2 1 8 3 1 . 2 4 1 3 1 4 0 . 4 2 2 4 . 9 0 4
l Y Y = X － y = Y 2 ( n Y ) 2 3 . 2 9 4 8 5 . 7 1 2 0 6 6 2 0 . 0 1 5 4
合计
表11-1
体重 X （2） 11.0 11.8 12.0 12.3 13.1 13.7 14.4 14.9 15.2 16.0 134.4
某地10名三岁儿童体重与体表面积
体表面积 Y
X2
Y2
(3)
(4)
(5)
0.5283
121.00 0.279101
0.5299
139.24 0.280794
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
cards;
11.0
0.5283
11.8
0.5299
12.0
0.5358
12.3
0.5292
13.1
0.5602
13.7
0.6014
14.4
0.5830
14.9
0.6102
15.2
0.6075
16.0
0.6411
;
proc corr;
var x y; run;
0.0154
lXY
(X
x )(Y
y)
XY
(
X
)(Y )
n
77.5595
(134.4)(5.7266) 10
0.5940
r lXY
0.5940
0.9592
lXX lYY 24.904 0.0154
4、相关系数的假设检验
H0：ρ= 0，两变量间无直线相关关系 H1：ρ≠0，两变量间有直线相关关系
proc plot;plot y*x='*';run;
第二节 直线回归
相关分析是描述两变量之间相互关系 回归分析是分析两变量间是否有依存关系 一、直线回归方程
Yˆ a bX
a称为截距， b称之为斜率或回归系数，表示 当自变量X每改变一个单位,因变量Y平均变动 的单位数。
最小二乘法：
b X x(Y y) XY X Y n lXY
示样本相关系数，ρ表示总体相关系数。它说明具有
直线关系的两个变量，相关关系的密切程度与相关方 向的指标。其值为－１≤r≤１。
计算公式
r X x Y y lXY X x 2 Y y 2 lXX lYY
lXX =X－x 2 = X2－ X2 n
144.00 0.287082
பைடு நூலகம்0.5292
151.29 0.280053
0.5602
171.61 0.313824
0.6014
187.69 0.361682
0.5830
207.36 0.339889
0.6102
222.01 0.372344
0.6075
231.04 0.369056
0.6411
256.00 0.411009
0.58
0.56
0.54
0.52
11
12
13
14
15
16
X
2、相关系数的计算
lXX
(X x)2
X 2 ( X )2 1831.24 134.42 24.904
n
10
lYY = X－y =Y 2
(Y )2
n
5.72662 3.2948
10
5.7266
1831.24 3.294834
XY (6) 5.81130 6.25282 6.42960 6.50916 7.33862 8.23918 8.39520 9.09198 9.23400 10.25760 77.55946
计算步骤如下：
1、绘制散点图：
Y
0.66
0.64
0.62
0.60
图11-3 异常点对相关分析的影响
（4）相关关系不完全等同于因果关系。 （5）实际工作中计算出的相关系数仅是样本
相关系数 （6）不要把相关系数的假设检验结果误认为
两事物或现象间相关的密切程度。
（7）要注意资料的同质性。
图11-4 样本来自不同总体时对相关性的影响
data li11_1;
input x y@@;
1831.24 - (134.4)2/10
a＝0.57266 - 0.02385×13.44＝0.25212
Yˆ 0.25212 0.02385 X
α= 0.05
t r 0.9592 9.5959 1 r2 1 0.95922
n2
10 2
=n-2=10-2=8，查附表 2,得 P<0.01，按α= 0.05 水准拒绝 H0，
接受 H1，可认为三岁儿童体表面积与体重间存在直线相关关系。
四、相关分析中应注意的问题 （1） 进行相关分析的资料应有实际意义。 （2）相关系数的计算适用双变量正态分布资料 （3） 进行相关分析前应先绘制散点图。
lYY =Y－y 2 = Y2－ Y2 n
lXY
=
X－x
Y－y
=
XY－
(
X)(
n
Y)
三、相关分析的步骤
例11-1 某医师测得10名3岁儿童的体表 面积(m2)与体重(kg)原始资料见表11-1第 2、3栏,试分析三岁儿童体表面积与体重间 的相关关系。
儿童号 (1) 1 2 3 4 5 6 7 8 9 10
对一个变量的每个可能取值，另一个变量 都有完全确定的值与之对应，则称这两个变量 之间的关系呈现函数关系，称确定性关系。若 两变量之间确实存在着某种关系，但这种关系
不是一一对应的函数关系，称非确定性关系。
第一节 直线相关
一、直线相关的概念 描述两个变量相互关系最简单的统计方法
就是直线相关分析：两个变量是否有直线相关 关系?如果有直线相关关系，那么它们之间的 关系是正相关还是负相关? 相关程度如何？
(X x)2
X 2 ( X )2 n lXX
a y bx
二、实例求解回归方程
例11-2 某地测得10名3岁儿童的体表面积(m2)与 体重(kg)资料见表11-1第2、3栏,试求3岁儿童由 体重推算体表面积的回归方程。
二、实例求解回归方程
1、绘制散点图。 2、计算
77.55946 - 134.4×5.7266/10 b＝───────────────＝ 0.02385
散点图
图11-1 两变量相关关系示意图
二、相关系数的定义与计算
相关系数（correlation coefficient）又称为积差 相关系数（coefficient of product moment correlation）、皮尔逊相关系数（Pearson’s correlation coefficient）、简单相关系数 （simple correlation coefficient）等,以符号r表
合计
表11-1
体重 X （2） 11.0 11.8 12.0 12.3 13.1 13.7 14.4 14.9 15.2 16.0 134.4
某地10名三岁儿童体重与体表面积
体表面积 Y
X2
Y2
(3)
(4)
(5)
0.5283
121.00 0.279101
0.5299
139.24 0.280794
0.5358