相关性和线性回归示例：详细信息

tanjima98

在其他情况下，您想知道两个变量是否相关，而不必推断因果关系。在这种情况下，您不会提前确定任何一个变量；两者都是自然变量，您会测量它们。

如果发现关联，则可以推断 X 的变化可能导致 Y 的变化，或者 Y 的变化可能导致 X 的变化，或者其他因素的变化可能同时影响 Y 和 X。一个例子是测量某些细胞表面特定蛋白质的量和这些细胞细胞质的 pH 值。

如果蛋白质的量和 pH 值相关，则可能 巴基斯坦手机号码列表 是蛋白质的量影响内部 pH 值；或者内部 pH 值影响蛋白质的量；或者某些其他因素（例如氧气浓度）同时影响蛋白质浓度和 pH 值。

通常，显著的相关性表明需要进行进一步的实验来测试因果关系；如果蛋白质浓度和 pH 值相关，您可能需要操纵蛋白质浓度并观察 pH 值会发生什么变化，或者操纵 pH 值并测量蛋白质，或者操纵氧气并观察两者会发生什么变化。

端足类动物的数据是另一个例子；可能是体型更大导致端足类动物产下更多卵，或者产下更多卵使得母亲体型更大（也许当它们携带更多卵时它们会吃得更多？），或者是某个第三个因素（年龄？食物摄入量？）使得端足类动物体型更大并且产下更多卵。
相关性和线性回归
相关性和线性回归示例
更多描述目标的示例

相关性和回归的第二个目标是估计两个变量之间关系的强度；换句话说，图表上的点与回归线的接近程度。

您使用 r2 值对此进行总结。例如，假设您测量了空气温度（范围从 15 到 30°C）和蜥蜴 Agama savignyi 的奔跑速度，并且发现了一个显著的关系：温度越高的蜥蜴跑得越快。

您还想知道是否存在紧密的关系（高 r2），这将告诉您气温是影响跑步速度的主要因素；如果 r2 较低，则表明除了气温之外的其他因素也很重要，您可能需要进行更多实验来寻找它们。

您可能还想知道 Agama savignyi 的 r2 与其他蜥蜴物种相比如何，或者与不同条件下的 Agama savignyi 相比如何。