方差、主成分、相关与回归说课.pptVIP

方差分析的应用条件 （1）独立，各组数据相互独立，互不相关 （2）正态，即各组数据符合正态分布 （3）方差齐性，即各组方差相等 单因素方差分析 例:一共有4种不同的饲料喂猪，共有19头猪分为4组，每组一种饲料，一段时间后称重。比较4种饲料对猪的体重影响是否显著不同。 单击“两两比较” 主成分分析 是考察多个变量间相关性的一种多元统计方法，其主要目的是用较少的变量去解释原始数据中的大部分变异。它通常用来寻找判断某种事物或现象的综合指标，并且给综合指标所包含的信息以适当的解释，从而更好的揭示事物内在的规律。但在实际的应用当中，主成分分析只是一种达到目的的中间手段，而不是最终目的，而要结合其他的统计方法来处理问题。 主成分分析的任务 1 计算主成分 首先将原有的变量标准化，然后计算各变量之间的相关矩阵、该矩阵的特征根和特征向量，最后将特征根由大到小排列，分别计算出对应的主成分。 2 确定主成分个数 （1）累计贡献率：当前k个主成分的累计贡献率达到某一特定值（一般采用70%以上）时，则保留前k个主成分。 （2）特征根：一般选取特征根≥1的主成分。 例：1980年某汽车制造商从竞争对手中选择了17种车型，访问了25名顾客，要求他们根据自己的偏好对这17种车型打分，打分范围0-9.9分。如下表： 相关关系的常见类型： 线性相关：正线性相关、负线性相关 非线性相关 相关关系不象函数关系那样直接,但却普遍存在,且有强有弱.如何测度? 相关分析和回归分析的任务 研究对象:相关关系 相关分析旨在测度变量间线性关系的强弱程度. 回归分析侧重考察变量之间的数量变化规律,并通过一定的数学表达式来描述这种关系,进而确定一个或几个变量的变化对另一个变量的影响程度. 回归分析 基本步骤 (1)确定自变量和因变量 (2)从样本数据出发确定变量之间的数学关系式,并对回归方程的各个参数进行估计. (3)对回归方程进行各种统计检验. (4)利用回归方程进行预测. 相关分析 (一)目的 通过样本数据,研究两变量间线性相关程度的强弱.(例如:投资与收入之间的关系、GDP与通信需求之间的数量关系） (二)基本方法 绘制散点图、计算相关系数 绘制散点图 基本操作步骤 (1)菜单选项:graphs-scatter (2)选择散点图类型: (3)选择x轴和y轴的变量 (4)选择分组变量(set markers by):分别以不同颜色点的表示 (5)选择标记变量(label case by): 散点图上可带有标记变量的值(如:省份名称) 计算相关系数 (1)作用: 以精确的相关系数(r)体现两个变量间的线性关系程度. r:[-1,+1]; r=1:完全正相关; r=-1:完全负相关; r=0:无线性相关; |r|0.8:强相关; |r|0.3:弱相关 (2)说明: 相关系数只是较好地度量两变量间的线性相关程度,不能描述非线性关系. 思考 对100名学生的数学、物理、化学、语文、历史、英语成绩的数据进行主成分分析，得到如下SPSS输出： （1）根据上述计算机输出结果判断选择哪几个主成分（即原始的6个变量要降维到几个变量）？其依据是什么？ （2）写出所选择的主成分与原来变量关系的表达式，同时指出主成分载荷，并解释其含义。 基本操作步骤 (1)菜单选项:analyze-correlate-bivariate... (2)选择计算相关系数的变量到variables框. (3)选择相关系数(correlation coefficients). (4)显著性检验(test of significance) tow-tailed:输出双尾概率P. one-tailed:输出单尾概率P (一)一元回归方程: y=β0+β1x β0为常数项；β1为y对x回归系数，即:x每变动一个单位所引起的y的平均变动 (二)一元回归分析的步骤 利用样本数据建立回归方程 回归方程的拟和优度检验 回归方程的显著性检验(t检验和F检验) 残差分析 预测 回归分析 * * PPT制作：小鱼 * 主成分分析 方差分析 相关与回归分析 目录页 方差分析 主成分分析 相关与回归分析 统计学上的因素是指研究者所关心的实验条件，而水平是指因素的 具体表现形式。如，温度（30、60、90）℃、药物种类（A、B、C）和 产地（山东、安徽、江苏）。 温度、药物种 类和产地就是因素， 而每个因素里具体的不同 形式就称为水平 饲料的类型 增加的体重 * * 第二章 主成分分析 主成分分析（principal components analysis）。主成分分析是利用降