spss回归大全讲述.ppt

* 结果分析 1：从“迭代历史记录”表中可以看出：迭代了15次后，迭代被终止，已经找到最优解 此方法是不断地将“参数估计值”代入”损失函数“求解， 而损失函数采用的是”残差平方和“最小，在迭代15次后，残差平方和达到最小值，最小值为（6.750）此时找到最优解，迭代终止 2：从参数估计值”表中可以看出：b1= 12.916? （标准误为0.614，比较小，说明此估计值的置信度较高）? b2=-11.238? （标准误为：1.555，有点大，说明此估计值的置信度不太高）?b3=-0.493（标准误为：0.137，很小，说明此估计值的置信度很高） 非线性模型表达式为：Y(销售量）= 12.916-11.238*e^(-0.493*广告费用） 3：从“参数估计值的相关性”表中可以看出：b1 和 b3的相关性较强，b2和b1或b3的相关性都相对弱一些，其中b1和b2的相关性最弱 4：从anova表中可以看出：R方 = 1- （残差平方和）/（已更正的平方和） = 0.909， 拟合度为0.909，说明此模型能够解释90多的变异，拟合度已经很高了。 非线性回归分析 * 权重估计 （ Weight Estimation ） 权重估计 * 标准线性回归模型假定残差序列应该是等方差的，但是由于某些客观特征的存在，异方差的现象也常常存在。如果出现异方差的现象，可以用权重估计法（即加