什么身体指标，
最能解释体脂率？
基于 50 个随机样本，通过描述统计、多元线性回归、残差诊断与年龄组比较，分析 Waist、Neck 和 Bicep 对体脂率的解释能力。
基于 50 个随机样本的统计分析；相关性与回归结果只描述该分析样本，不构成因果结论。
01 / 项目快照
Body Fat %
Waist / Neck / Bicep
Age
Multiple Linear Regression
02 / 研究问题
从三项身体测量，到一个可解释的统计问题。
01腰围、肱二头肌围度和颈围能否预测体脂率？
02哪个身体测量指标与体脂率关系最强？
0340 岁以下与 40 岁及以上人群的体脂率是否存在差异？
03 / 数据与方法
一条从样本到解释的统计分析链路。
报告从数据集中以 simple random sampling 选取 50 个样本，使用描述统计、箱线图、直方图、散点图、多元线性回归、残差图与两样本置信区间。
04 / 探索性分析
先看分布、范围与异常值，再讨论关系。
报告将箱线图与直方图用于检查样本分布和潜在异常值；这一步为后续模型提供背景，而不是直接给出预测结论。
05 / 哪个指标最相关
Waist 在样本中呈现最强的体脂率关系。
报告中的相关系数依次为 Bicep 0.57、Neck 0.63、Waist 0.82。相关性描述样本中的共同变化，不能说明某一围度导致体脂率变化。
06 / 多元回归
三个预测变量共同解释样本中约 66% 的体脂率变异。
Multiple R 0.81
R² 0.66
Adjusted R² 0.63
Standard Error 4.90
Sample 50
研究注记：报告正文将 Waist 识别为 5% 显著性水平下的重要预测变量；但 Table 4 展示的该项 p-value 与正文不一致，因此本页不复现有争议的数值。
07 / 模型诊断
残差图用于检查模型是否存在值得进一步追问的模式。
报告为 Neck、Waist 与 Bicep 生成残差图，用于检查模式、方差与模型适配性；报告没有提供足以断言所有回归假设均满足的验证。
以下图表直接裁切自原始报告，保留为分析过程的证据。
第 5 页 / Figure 2：50 个随机样本的箱线图，用于观察分布与潜在异常值。
第 6 页 / Figure 4：样本 Pct.BF 直方图，作为探索性分析证据。
第 8 页 / Figure 8：Neck 与 Pct.BF 的散点关系，报告图中 R² 约为 0.33。
第 9 页 / Figure 9：Waist 与 Pct.BF 的散点关系，报告图中 R² 约为 0.62。
第 9 页 / Figure 10：Bicep 与 Pct.BF 的散点关系，报告图中 R² 约为 0.39。
第 10 页 / Figure 12：Waist 的残差图，用于检查模式与方差，而非宣称模型满足所有假设。
08 / 年龄差异
在该样本中，40+ 组的平均体脂率更高。
99% 置信区间为 (0.974, 11.074)，不包含 0；90% 置信区间为 (1.128, 8.819)。这描述样本组间均值差异，不说明年龄本身导致体脂率提高。
09 / 核心发现
WAIST 0.82
NECK 0.63
BICEP 0.57
10 / 研究边界
11 / 我的收获
比得到一个结果更重要的，是知道一个结果到底能够说明什么。
从分布、异常值与相关性，到多元回归、残差诊断和置信区间，每一步都回答不同问题：数据长什么样？变量是否相关？控制其他变量后关系是否存在？模型是否值得相信？不同群体差异有多大？
12 / 如果今天重做
以上是今天的改进方向，不是 2025 年已完成的分析。