统计学实验：方差回归课程方案.ppt

实验3：方差分析;方差分析(Analysis of Variance,ANOVA) 1928年由英国统计学家R.A. Fisher 首先提出，为纪念Fisher，以F 命名，故方差分析又称为 F检验。;方差分析(ANOVA); 方差分析检验假定 ①总体是服从正态分布的； ②总体方差是相等的； ③ 随机样本是独立的。 ;单因素方差分析;建立的假设组为：;例1;1、单击分析(Analyze) ? 比较均值（Compare Means） ?单因素（ One-Way ANOVA），打开对话框。;可以得到方差分析表 ;3、单击选项Option按纽，打开对话框如图所示，选择输出项。主要有不同水平下样本方差的齐性检验，缺失值的处理方式及均值的图形。;完成所有选择后返回主对话框，然后单击OK，就可以得到三个地区零件强度分析表。;4、如果需要将水平间两两比较，可以单击两两比较Post Hoc 按纽，打开多重比较对话框。如图所示：;选择多重比较方式后，点击OK，得到输出结果。;某大型连锁超市为了解不同促销手段对商品销售额的影响，在其下属五个分店中，对同一类日常生活用品分别采用不同促销方式进行了为期四个月的销售对比试验（销售对比试验结果见所附数据集SY-22)。试利用方差分析方法，检验不同促销方式下的商品销售量是否存在显著性差异（试验前该类商品在五个分店内的月销售额基本处于同一水平）。;操作步骤：;单因素方差分析的输出结果;双因素方差分析;双因素方差分析;例3;1、单击分析(Analyze) ? 一般线性模型（General linear Model） ? 单变量（Univariate），打开主对话框。 ;3、单击模型（Model）按纽选择分析模型，得到对话框如图。;先从左边框中选择因素变量进入模型框中，然后选择类型。 一般不考虑交互作用时，选择主效应，考虑交互作用时，选择交互。本例中选择主效应。 平方和一般选取默认项类型Ⅲ。 单击继续，返回主对话框，点击确定就可以得到相应的双因素方差分析表.;从表中数据可以看出，F值对应概率P值都小于显著性水平0.05，这说明地区和时期对销售量的影响都是显著的。;实验4：相关与回归分析;相关分析;双变量相关分析（简单相关分析）;双变量相关分析——散点图;3. 如果只考虑两个变量，可选择简单的散点图Simple，然后点击定义Define，打开简单散点图Simple Scatterplot对话框,如左图所示。 ;双变量相关分析——相关系数;用于计算分类变量的秩相关，考虑结点的影响;3.选择输出项和缺失值的处理方式。本例中选择输出基本统计描述。;4.单击OK，可以得到相关分析的结果。见图所示。;偏相关分析;例5;求解火柴销售量与煤气户数的偏相关系数具体操作如下：;Partial Correlations 对话框;Partial Correlations 对话框;输出结果：;回归分析研究的是自变量与因变量之间的非确定性的因果关系； SPSS提供的回归分析过程有： 线性回归(Linear)、曲线估计(Curve Estimation)、二分变量逻辑回归 (Binary Logistic)、多分变量逻辑回归(Multinomial Logistic)、序回归(Ordinal)、概率单位回归(Probit)、非线性回归(Nonlinear)、加权估计(Weight Estimation)、最优编码回归(optimal Scaling)和二阶段最小平方法(2-Stage Least Squares )。;线性回归分析;1、线性回归的假设理论 （1）正态性假设：即所研究的变量均服从正态分布； （2）等方差假设：即各变量总体的方差是相等的； （3）独立性假设, 即各变量之间是相互独立的； （4）残差项无自相关性，即误差项之间互不相关; 2、线性回归模型的检验项目 （1）回归系数的检验（t检验）。 （2）回归方程的检验（F检验）。 （3）拟合程度判定（可决系数R2）。 （4）D.W检验（残差项是否自相关）。 （5）共线性检验（多元线性回归）。 （6）残差图示分析（判断异方差性和残差序列自相关）。;1、打开数据文件，单击分析Analyze ? 回归Regression ? 线性Linear，打开对话框如图所示。;3.单击统计量Statistics，打开线性回归：统计量对话框，可以选择输出的统计量如图所示。 ;4、如果需要观察图形，可单击绘制Plots按纽，打开线性回归：图对话框，如图所示。在此对话框中可以选择所需要的图形。;5、单击选项Options按纽，打开线性回归：选项对话框，如图所示。可以从中选择模型拟合判断准则及缺失值的处理方式。;6、如果要保存预测值