2回归与相关-SPSS.pptVIP

2007.01 * n行2列 （自变量、应变量） 2. 直线相关分析Correlate数据格式 2007.01 * Analyze →Correlate →Bivariate… 检验步骤 2007.01 * Bivariate Correlations对话框 Pearson相关系数 选项 2007.01 * Options对话框 计算均数和标准差 2007.01 * 点击“OK”，运行结果 表示双侧检验 2007.01 * 结果输出 2007.01 * 统计描述 2007.01 * 相关分析结果 相关系数 P值 * 两个变量间的相关分析（续） b、等级（分类）变量间的秩相关：Spearman和Kendall。 P212 Data07-03 银行职工的起始工资salbegin和现工资salary与雇员的职务等级jobcat、受教育程度educ关系（比较有用的结果： Kendall秩相关系数r和其相应的显著性概率Sig(Kendall秩相关系数均.5，认为中度相关） P213 Data10-02 某次全国武术女子前10名运动员长拳和长兵器两项得分数据，要求分析这两项得分是否存在线性相关（比较有用的结果： 秩相关系数r和其相应的显著性概率Sig(秩相关系数均.5，认为中度相关） 2007.01 * 3. 等级相关分析Correlate 　　　例　某地做肝癌病因研究，调查了１０个乡的肝癌死亡率（１／１０万）与某种食物中黄曲霉毒素相对含量（以最高含量为１０）。试做等级相关分析。 2007.01 * n行2列 （自变量、应变量） 数据格式 2007.01 * Analyze →Correlate →Bivariate… 检验步骤 2007.01 * Bivariate Correlations对话框 等级相关系数 2007.01 * Options对话框 计算均数和标准差 2007.01 * 点击“OK”，运行结果 2007.01 * 结果输出 2007.01 * 直线相关分析结果 2007.01 * 等级相关分析结果 等级相关系数 P值 * 回归分析 介绍： 1、回归分析的概念和模型 2、回归分析的过程 回归分析的概念 寻求有关联（相关）的变量之间的关系 主要内容： 从一组样本数据出发，确定这些变量间的定量关系式 对这些关系式的可信度进行各种统计检验 从影响某一变量的诸多变量中，判断哪些变量的影响显著，哪些不显著 利用求得的关系式进行预测和控制 2007.01 * 回归分析 直线回归 回归分析的过程 在回归过程中包括： Liner：线性回归 Curve Estimation：曲线估计 Binary Logistic： 二分变量逻辑回归 Multinomial Logistic：多分变量逻辑回归 Ordinal 序回归 Probit：概率单位回归 Nonlinear：非线性回归 Weight Estimation：加权估计 2-Stage Least squares：二段最小平方法 Optimal Scaling 最优编码回归 线性回归(Liner) 一元线性回归方程: y=a+bx a称为截距 b为回归直线的斜率 估计系数a，b的方法：最小二乘法 检验模型的方法： 1、用R2判定系数判定一个线性回归直线的拟合程度：用来说明用自变量解释因变量变异的程度（所占比例） 2、检验系数b是否显著的不为零，即检验x与y的线性关系是否存在。 2007.01 * 检验问题等 对于回归系数b=0的检验：t检验 对于拟合的F检验 注：一元回归中t检验和F检验等价 R2(决定系数)及修正的R2：判定一个线性回归直线的拟合程度（用来说明用自变量解释因变量变异的程度） 2007.01 * 一元线性回归模型的确定:一般先做散点图(Graphs -Scatter-Simple),以便进行简单地观测（如：x与y的关系) 若散点图的趋势大概呈线性关系，可以建立线性方程，若不呈线性分布，可建立其它方程模型，并比较R2 (--1)来确定一种最佳方程式（曲线估计） 2007.01 * 对两个变量的数据进行线性回归，就是要找到一条直线来最好地代表散点图中的那些点。 2007.01 * 多元线性回归方程: y=b0+b1x1+b2x2+…+bnxn b0为常数项 b1、b2、…、bn称为y对应于x1、x2、…、xn的偏回归系数 用Adjusted R2调整判定系数判定一个多元线性回归方程的拟合程度：用来说明用自变量解释因变量变异的程度（所占比例） 多元线性回归一般采用逐步回归方法-Stepwise 2007.01 * 1. 直线回归分析分析Regression 例1 某医生