应用回归分析上指导.docVIP

试验一 一元线性回归分析 试验目的：通过上机试验，使学生掌握一元线性回归分析的基本原理，熟悉软件操作过程，能对软件输出结果进行分析。 试验数据： 例一．一家保险公司十分关心其总公司营业部加班的程度，决定认真调查一下现状。经过10周时间，收集了每周加班工作时间的数据和签发的新保单数目，x为每周签发的新保单数目，y为每周加班工作时间（小时）。见表1.1 表1 1 周序号 1 2 3 4 5 6 7 8 9 10 X 825 215 1070 550 480 920 1350 325 670 1215 y 3.5 1.0 4.0 2.0 1.0 3.0 4.5 1.5 3.0 5.0 问Y与X之间是否存在显著的线性结果分析，用最小二乘估计求出回归方程，并作相应分析。 软件实现步骤： 1．在SPSS的数据编辑窗口中输入表1.1中的数据。在“Analyze”菜单中选择“Regression”中的Linear命令。 2．在弹出的Linear Regression对话框中，从对话框左侧的变量列表中选择Y变量，单击Dependent框旁的箭头按钮，使之添加到Dependent框中，表示该变量是因变量，选择X变量，单击Inderndent(s)框旁的箭头按钮，使之添加到Inderndent(s)框中，表示其为自变量。 3．单击OK按钮，即可得到SPSS回归分析的结果。 软件输出结果： 结果分析： 1．输出结果文件中的第一个表格输出的是被引入或从回归方程中被剔除的各变量。 这部分结果说明在对编号为1的模型（Model）进行线性回归分析时所采用的方法是全部引入法：Enter。 2．输出的结果文件中第二个表格输出的是常用统计量。 从这部分结果看出相关系数R=0.949，判定系数R2=0.900，调整的判定系数R2=0.888，回归估计的标准误差S=0.48002。说明样本回归方程的代表性强。 3．输出的结果文件中第三表格是方差分析表。 从这部分结果看出：统计量F=72.396；相伴概率值p＜０.001。说明自变量x与因变量y之间确有线性回归关系。另外，Sum of Squares一栏中分别代表回归平方和（16.682）、残差平方和（1.843）以及总平方和（18.525），Ｄf为自由度。 ４．输出的结果文件中第四个表格是回归系数分析。其中，Unstandadized Coefficients为非标准化系数，Ｓtandadized Coefficients为标准化系数，t为回归系数检验统计量，Sig为相伴概率值。 从表格中可以看出估计值及其检验结果，常数项Ｂ0=0.118，回归系数Ｂ１＝０.003585，回归系数检验统计量t=8.509，相伴概率值 p＜０.001。说明回归系数与０有显著差别，该回归方程有意义： Ｙ＝0.118+0.003585X 试验二 多元线性回归分析 试验目的：通过上机试验，使学生掌握多元线性回归分析的基本原理，熟悉软件操作过程，能对软件输出结果进行分析。 试验数据： 例二：研究货运总量y（万吨）与工业总产值x1(亿元)、农业总产值x2 (亿元)、居民非商品支出 x３(亿元)的关系。数据见表2.1 表 2.1 编号 货运总量　　y(万吨) 工业总产值x1(亿元) 农业总产值x2 (亿元) 居民非商品支出 x３(亿元) １ 160 70 35 1.0 2 260 75 40 2.4 3 210 65 40 2.0 4 265 74 42 3.0 5 240 72 38 1.2 6 220 68 45 1.5 7 275 78 42 4.0 8 160 66 36 2.0 9 275 70 44 3.2 10 250 65 42 3.0 问Y与X之间是否存在显著的线性结果分析，用最小二乘估计求出回归方程，并作相应分析。 软件实现步骤： 1．在SPSS的数据编辑窗口中输入表2.1中的数据。在“Analyze”菜单中选择“Regression”中的Linear命令。 2．在弹出的Linear Regression对话框中，从对话框左侧的变量列表中选择Y变量，单击Dependent框旁的箭头按钮，使之添加到Dependent框中，表示该变量是因变量，选择X1，X2、，X3变量，单击Inderndent(s)框旁的箭头按钮，使之添加到Inderndent(s)框中，表示其为自变量。 3．单击Linear Regression对话框中的Statistics按钮，Statistics对话框，用来选择输出哪些统计量，本试验中，我们选择如下几项： Estimates：SPSS默认的输出项.输出与回归系数相关统计量。如回归系数、回归系数的标准误差、标准回归系数、t统计师长相应的相伴概率值