第4章spss统计技术分析.ppt

由复相关系数R=0.982说明该预报模型高度显著，可用于该地区大春粮食产量的短期预报 常用统计量 方差分析表 回归方程为： 按常识理解，粮食产量和播种面积关系密切，但预报模型中，变量x1未引入，这是因为： 多年来该地区的大春粮食播种面积变化甚微，近于常数，因而对产量的影响不大而失去其重要性。 回归系数分析 在汽油中加入两种化学添加剂，观察它们对汽车消耗1公升汽油所行里程的影响，共进行9次试验，得到里程Y与两种添加剂用量X1、X2之间数据如下： xi1 0 1 0 1 2 0 2 3 1 xi2 0 0 1 1 0 2 2 1 3 yi 15.8 16.0 15.9 16.2 16.5 16.3 16.8 17.4 17.2 试求里程Y关于X1、X2的经验线性回归方程，并求误差方差σ2的无偏估计值。 例 检验说明线性关系显著 结果： * * * 139 * 24 This teleology is based on the number of explanatory variables nature of relationship between X Y. * * * * * * 1.相关分析中不必确定自变量和因变量； 而在回归分析中，必须事先确定自变量和因变量，且只能从自变量去推测因变量，而不能从因变量去推断自变量。 2.相关分析不能指出变量关系的具体形式； 而回归分析能确切的指出变量之间关系的具体形式，可根据回归模型从已知量估计和预测未知量。 3.相关分析所涉及的变量一般都是随机变量， 而回归分析中因变量是随机的，自变量则作为研究时给定的非随机变量。 有共同的研究对象，常常必须互相补充。 只有当变量之间存在着高度相关时，进行回归分析寻求其相关的具体形式才有意义。 简单说： 1、相关分析是回归分析的基础和前提； 2、回归分析是相关分析的深入和继续。 -1.0 +1.0 0 -0.5 +0.5 完全负相关 无线性相关 完全正相关 负相关程度增加 r 正相关程度增加 r=0:无法预测； r=±1：预测完全准确，没有误差。 (二)回归分析理解 回归分析的种类 一元回归 （简单回归） 多元回归 （复回归） 线性回归 非线性回归 一 元线性回归 Simple Linear regression 按自变量的 个数分 ⒈ 按回归曲线的形态分 ⒉ 一个自变量 两个及两个以上自变量 回归模型 多元回归 一元回归 线性回归 非线性回归 线性回归 曲线回归 线性回归分析概述 通过样本数据建立一个回归方程后，不能立即就用于对某个实际问题的预测。因为，应用最小二乘法求得的样本回归直线作为对总体回归直线的近似，这种近似是否合理，必须对其作各种统计检验。一般经常作以下的统计检验。 （1）拟合优度检验 回归方程的拟合优度检验就是要检验样本数据聚集在样本回归直线周围的密集程度，从而判断回归方程对样本数据的代表程度。(自变量引起的离差平方和，占总离差平方和的比重) 回归方程的拟合优度检验一般用确定系数R2实现。该指标是建立在对总离差平方和进行分解的基础之上。 （2）回归方程的显著性检验（F检验） 回归方程的显著性检验是对因变量与所有自变量之间的线性关系是否显著的一种假设检验。 回归方程的显著性检验一般采用F检验，利用方差分析的方法进行。 SPSS原假设： 统计的就是F值的概率，即计算F值所对应的P值 原假设：回归方程不显著 （3）回归系数的显著性检验（t检验） 所谓回归系数的显著性检验，就是根据样本估计的结果对总体回归系数的有关假设进行检验。 之所以对回归系数进行显著性检验，是因为回归方程的显著性检验只能检验所有回归系数是否同时与零有显著性差异，它不能保证回归方程中不包含不能较好解释说明因变量变化的自变量。因此，可以通过回归系数显著性检验对每个回归系数进行考察。 原假设：回归系数=0 回归参数显著性检验的基本步骤。 ① 提出假设 ② 计算回归系数的t统计量值 ③ 根据给定的显著水平α确定临界值，或者计算t值所对应的p值（后者为spss用的方式） ④ 作出判断 1.绘制散点图，观察x和y是否有线性关系。 2.建立回归模型。 3.回归方程显著性检验。 4.计算回归估计标准误差。 5.根据建立的模型进行预测。 例 某医生为了探讨缺碘地区母婴TSH水平的关系，随机抽取10对数据如下，试求脐带血TSH水平y对母血TSH水平x的直线回归方程。 输入／移去的变量b 模型 输入的变量 移去的变量 方法 1 VAR00002a .输入 a. 已输入所有请求的变量。 b. 因变量: VAR00003 结果 模型汇总