第八章回归总结.ppt

线性回归 Linear 曲线回归 Curve Estimation 二元logistic回归 Binary Logistic 多元logistic回归 Multinomial Logistic 概率单位回归 Probit 非线性回归 Nonlinear 加权回归 Weight Estimation 二阶段最小二乘法 2-stage least Squares 截距的标准误差为147.315，回归系数b的标准误差Sb，为1.485，公式为： 分析过程说明 单击Analyze（分析）—Regression（回归）—Linear（线性）弹出线性回归分析对话框，将“y”置入 Dependent框（依变量），将自变量x1，x2，x3置入Independent[s]框内，同时使Method（方法）下拉式选择框处于Enter位（通常为SPSS默认方式）。即把所有自变量同时都纳入回归方程。单击OK，则输出下表： Forward（向前引进变量法）：根据一定的判据，先引进作用最显著的一个变量，然后依次引入作用最显著的变量，直到没有显著变量引进为止，即变量只进不出。 Backward（向后剔除变量法）：此法与向前引进变量法完全相反。它是把所有的用户指定的m个变量建立一个全模型，然后根据各变量的显著性，将最不显著的变量剔除模型，建立依变量y与剩下的m-1个变量的回归方程，依次重复下去，直到所有变量作用都显著。即变量只出不进。 上述几种方法的差异： 强行进入法虽然简单，但看不出变量之间的内在关系，不利于进一步研究和探讨。 消去法的设定条件带有一定的主观性。 向前引进变量法计算量少，但由于变量之间可能有相关关系，计算初期引入的变量当时是显著的，但随着其他变量的引入，就有可能使初期引入的变量由显著变为不显著； 向后剔除变量法也可能由于变量之间的相关关系，当被剔除的变量较多时，可能使本来显著的变量也被剔除掉。 逐步法是向前引进变量法和向后剔除变量法的综合运用，既吸收了这两种方法的优点，又克服了它们的不足。较为常用。 例3：依例2的数据为例分析 简明分析步骤： Analyze－Regression－Linear Dependent框：y 依变量为y Independent[s]框：x1、x2、x3 自变量为x1、x2、x3 Method列表框：Stepwise 该组变量进入方式为逐步法 OK 逐步回归法分析上组数据： Eenter（强行进入法）：把自变量全部放入回归方程中，不管变量在模型中的作用。当对反映研究对象特征的变量认识比较全面时可以选择此法，一般为系统默认选项。 Stepwise（逐步回归法）：先将作用最显著的变量引进模型，在此基础上引进对模型作用最显著的第二个变量，且对原变量做检验，及时剔除不显著的变量然后再考虑引进新变量。依次类推。直至既不能再引入新变量又不能从模型中剔除变量为止。——常用！ Remove（消去法）：建立回归方程时，根据设定的条件剔除部分自变量。 方法： 第一列表示过程的次序； 第二列表示引进的变量 第三列表示剔除的变量； 第四列表示引进或剔除变量的标准 表中显示第一次引进的变量是腿肉量（模型1）、第二次引进的变量是腰肉量（模型2），且引进的变量没有被剔除。 逐步回归结果 向回归方程中引进自变量的步骤 对回归方程影响最大的自变量被依次引入回归方程后，其复相关系数R（表示自变量与依变量的密切程度）逐渐变大，估计标准误差（示自变量的影响因素被扣除后，依变量本身的变异）逐渐变小。如腿肉量被引入回归方程时，其复相关系数R为0.851，估计标准误差为0.582，当腰肉量被引进回归方程时，其R=0.916，标准误差为0.456.说明复相关系数逐渐变大，估计标准误差逐渐变小。 自变量被引入回归回归方程后复相关系数的变化。 方差分析表 上表是各部引入影响最大的变量后对其各自的偏回归系数的方差分析。 在Model 1，变量“腿肉量x2”引入回归方程后，其偏回归系数的F=60.624,P(sig.)≈0,P0.01；在Model 2，变量“腿肉量x2”和“腰肉量x3”引入回归方程后，其偏回归系数的F=57.089, P(sig.)≈00.01,可见变量“腿肉量x2” 、“腰肉量x3”依次被引入回归方程时对回归方程的影响均极显著