2第2章线性回归解说.ppt

选择参数窗口 结果窗口 Spearman相关系数 显著性值 2.4回归分析基本知识 相关分析能够知道变量间的相关（特别是线性相关）的紧密程度，但无法定量的描绘出确定的关系表达式。回归分析（线性回归分析）就是希望找出变量之间的关系表达式（线性函数表达式），从而用于预测、控制等问题。 重点介绍线性回归分析，其一般形式为： 多因变量： 单因变量： 回归分析的理论依据 要通过给定n组观测值（Y,X1，X2，…,Xp)来估计回归方程的系数β0，β1，…，βp，一般使用的是方差的最小二乘估计法。 求出正规方程： 的解即可。 回归方程的显著性检验 一元线性回归方程显著性检验的假设： 构造统计量： 服从F(p,n-p-1)分布 H0: β0=β1=…=βp=0 H1:至少有一个β不为0 因变量与自变量不存在线性关系 因变量与自变量存在线性关系 回归方程的显著性检验结果解释 如果概率p小于给定的显著性水平，则拒绝原假设，即认为因变量与自变量存在线性关系： 如果概率p大于给定的显著性水平，则接受原假设，即认为因变量与自变量不存在线性关系。 2.5回归分析操作介绍 选择Analyze（分析）→Regression（回归） 线性回归过程操作介绍 选择分析→回归→线性 ，如图： 变量分析方法 线性回归分析统计量介绍 选择统计量 ，如图： 1.单自变量一元线性回归案例 2.多自变量一元线性回归案例 2.6回归分析案例分析 1.单自变量一元线性回归案例 例1.9 对于20个随机选择的个体，记录两种重量Y与X，试分析Y与X的线性关系:Y= β0+β1*X 。 假设：H0: β0=β1=0（不能表出）， H1:β0 ≠ 0或β1≠0（能表出） 1、导入数据 2、绘制散点图 3、简单相关分析 4、线性回归分析 单自变量一元线性回归步骤 1、导入数据窗口 2、散点图结果 基本上在一条直线上 3、简单相关分析 选择变量窗口 选择参数窗口 结果窗口 Pearson相关系数 显著性值 4、线性回归分析 选择变量窗口 结果窗口 使用全部输入法 方差分析表 相关系数等 检验值0.05，拒绝原假设 β0=11.980， β1=13.752 结论：Y=11.980+13.752*X有显著意义！ 2.多自变量一元线性回归案例 例2.3 某科学基金会的管理人员欲了解从事研究工作的中、高水平的数学家的工资Y与成果X1、工作时间X2、获得资助X3之间的关系。调查了24位数学家，得到的数据如例2.3数据。当X1=5.1，X2=20，X3=7.2时，试预测他的工资Y。 求解 设Y与X1、X2、X3之间满足关系： 假设：H0: β0=β1=β2=β3=0（不能表出）， H1:β0 ≠ 0或β1≠0或β2≠0或β3≠0 （能表出） 导入数据窗口 选择功能窗口 选择变量窗口 结果窗口 使用全部输入法 方差分析表 相关系数等 检验值0.05，拒绝原假设 β0=17.625， β1=1.128，β2=0.323， β3=1.303， 结论 则Y与X1、X2、X3之间满足回归方程： 当X1=5.1，X2=20，X3=7.2时，预测他的工资为： Y=17.625+1.128*5.1+0.323*20+1.303*7.2=39.22841 1、单自变量一元线性回归应用题1道 2、多自变量一元线性回归应用题1道 作业 结束！ * 数据分析 课件制作：李彬 第2章相关分析与回归分析 2.1相关分析基本知识 2.2相关分析操作介绍 2.3相关分析案例分析 2.4回归分析基本知识 2.5回归分析操作介绍 2.6回归分析案例分析 第2章 相关分析与回归分析目录 2.1相关分析基本知识 双变量的关系——有关与无关？ 寻找变量间的关系是科学研究的首要目的。变量间的关系最简单的划分即:有关与无关。 在统计学上，我们通常这样判断变量之间是否有关：如果一个变量的取值发生变化，另外一个变量的取值也相应发生变化，则这两个变量有关。如果一个变量的变化不引起另一个变量的变化则二者无关。 表述：统计结果显示，当性别取值不同时，通过率变量的取值并未发生变化，因此性别与考试通过率无关。 自变量的不同取值在因变量上无差异，两变量无关。 示例1 1 通过考试 2 未通过考试 1男性 40% 60% 2女性 40% 60% 总计 40% 60% 表述：统计结果显示，当性别取值不同时，收入变量的取值发生了变化，因此性别与月收入有关。 自变量的不同取值在因变量上有差异，两变量有关。 示例2 每月工资平均数 N 1 男性 752.40 452 2 女性 601.97 409 总计 680.95 861 双变量关系 变量间的关系分为确定性关系和非确定性关系两类，确定性关系即函数关系，非确定性关系即相