步长预测老年人平衡能力（SPSS：简单线性回归分析）

文章作者：科研与统计

回归分析能够解决的问题：

? 根据父母的身高能否预测孩子的身高？

? 根据行走时的步态参数能否预测老人跌倒概率？

? 哪些因素对标枪成绩影响较大？

? 导致儿童肥胖的主要因素是什么？

线性回归是用直线回归方程表示两个数量变量间依存关系的统计分析方法。如果某一个变量随着另一个变量的变化而变化，并且它们的变化在直角坐标系中呈直线趋势，就可以用一个直线方程来定量地描述它们之间的数量依存关系。

线性回归分析中两个变量的地位不同，其中因变量（y）是依赖自变量（x）而变化。

回归分析在体育研究中的功能：

1.预测功能

父母身高预测孩子身高身高预测体重；行走时的步态参数能否预测老人跌倒概率等。

2.控制功能

如果研究发现爆发力是影响标枪成绩的重要因素，那么提高运动员爆发力将会对标枪成绩产生较大影响。

3.描述变量间的关系

描述两个变量关系时，可以计算出x每变化1个单位，y的变化量。因此，能够比相关分析更加精确的描述两个变量间的关系。

案例：根据步态预测老年人动态平衡能力

实验对象：60岁左右的老年人。

测试内容：老年人步态指标。

? 时间类指标：复步时间、单步时间、双支撑时间、摆动时间、着地时间。

? 空间类指标：COP轨迹长、左右侧COP、前后侧COP、脚印面积、步向角、脚长、单步长、 复步长。

? 时空类指标： 单步步速。

? 力学指标： 足底平均压力。

研究目的：根据步态参数预测老年人平衡能力。

本次分析目的：采用单个步态参数预测老年人的动态平衡能力

根据复步长预测老年人动态平衡能力

1 SPSS步骤

1）分析-回归-线性

2）“因变量”选入因变量“动态平衡得分”；“块”选入自变量“复步长”。

点击“统计”。

3）勾选“描述”，点击“继续”，返回后点击“确定”。

2 SPSS结果

1）“描述统计”给出了自变量和因变量的平均数与标准差。

2）“模型摘要”介绍了回归方程拟合情况，决定系数R2越大，回归模型效果越好。

R2=0.349，说明所构建的回归模型能够解释因变量34.9%的信息，模型效果不太好。

调整后的R2主要用于不同模型拟合效果的对比。

3）“ANOVA”是对回归模型的方差分析结果，也就是对回归系数的检验。

判断方法：

P＞0.05时，回归模型无统计学意义；

P≤0.05时，回归模型有统计学意义。

4）方差分析表中P<0.05，回归模型有统计学意义，能够起到一定的预测作用。

“系数”给出了回归方程的常数项、回归系数及其检验结果等。

常数项a=-12931.342，回归系数b=33104.840。回归方程为：

为动态平衡得分，x为复步长。根据复步长，可以计算动态平衡得分。