spss第六章.pptVIP

第六章 回归分析 本章主要内容 1.回归概念的理解 2.回归分析的基本步骤 3.回归方程的检验 （检验样本得出的回归方程是否真正反映两个变量之间的线性关系以及用它来预测或估计的有效程度如何） （1）回归模型的方差分析 （2）回归系数的显著性检验 （3）测定系数 一.回归概念的理解 回归（Regression)和相关(correlation)都用来分析两个变量间的关系，但回归有明确的因果关系假设。即要假设一个变量为自变量，一个为因变量，自变量对因变量的影响就用回归表示。如年龄对收入的影响。由于回归构建了变量间因果关系的数学表达，它具有统计预测功能。 线性回归(LinearRegression） 当自变量与因变量之间呈线性关系时,就构成线性回归方程. 1.一元线性回归 其中x为自变量；y为因变量； 是y变量的估计值；a为截距，即常量；b为回归系数，表明自变量对因变量的影响程度。 由图中可以看出，回归直线应该是到所有数据点最短距离的直线。该直线的求得即使用“最小二乘方法”，使: 注：常采用“最小二乘法”来计算回归方程。 在拟合的回归直线方程中，回归系数b是直线的斜率，当x变化一个单位时， 将变化b个单位。 线性回归分析实例 二、回归分析的基本步骤 步骤：analyze—regression—linear 建议：在进行线性回归前，可以利用散点图进行统计分析。 步骤：graph—scatter。 从输出的散点图上可以看出，识字量与阅读能力呈明显的线性相关。 描述阅读能力和识字量的关系的散点图 结果： 1.对回归模型的方差分析 平方和 自由度 均数平方和 F值 sig 回归 1845.333 1 1845.333 57.434 0.000 残差 899.634 28 32.13 F=57.434 p=0.0000.05,拒绝原假设,即认为回归方程是显著的,回归方程有意义. 2.回归系数的显著性检验 设H0 b=0 H1 b≠0 t=7.58, p=0.000 0.05,拒绝原假设，认为回归系数不为0，回归方程显著。 3.测定系数分析：回归方程的方差分析或回归系数的显著检验，解决了回归方程是否显著的问题，但回归分析中还要关心回归效果。测定系数R2表明回归模型中自变量的变异在因变量变异中所占的比例。比率越大，回归效果越好。 R=0.82， R2=0.672 ，即识字量可以解释阅读能力67.2%的差异。 练习 1.下面是20名工作人员的智商和某一次技术考试成绩，根据这个结果求出考试成绩对智商的回归方程。如果另有一名工作人员智商为120，则估计一下若让他也参加技术考试，将会得到多少分？ 编号 01 02 03 04 05 06 07 08 09 10 智商 89 97 126 87 119 101 130 115 108 105 考试 55 74 87 60 71 54 90 73 67 70 编号 11 12 13 14 15 16 17 18 19 20 智商 84 121 97 101 92 110 128 111 99 120 考试 53 82 58 60 67 80 85 73 71 90 结果: 1.对回归模型的方差分析 平方和 自由度 均数平方和 F值 sig 回归 1995.791 1 1995.791 50.583 0.000 残差 710.209 28 39.456 F=50.583 p=0.0000.05,拒绝原假设,即认为回归方程是显著的,回归方程有意义. 2.回归系数的显著性检验 设H0 b=0 H1 b≠0 t=7.112, p=0.000 0.05,拒绝原假设，认为回归系数不为0，回归方程显著。 测定系数分析： 测定系数R2表明回归模型中自变量的变异在因变量变异中所占的比例。比率越大，回归效果越好。 R=0.859， R2=0.738 ，即识字量可以解释阅读能力73.8%的差异。 回归方程为: a=-7.08 b=0.73 当x=120时,y=-7.08+0.73*120=80.52 2.随机抽取10名学生的英语和语文成绩，见下表。请计算英语和语文成绩的相关，并建立英语对语文的线性回归方程。当某学生的语文成绩为65分时，请预