4-回归分析实习.docVIP

回归分析实习 实习目的 1）掌握SPSS软件中实现回归分析的过程和参数选择。 2）掌握回归分析的基本原理，拟合优度检验、回归方程的显著性检验（F检验）和回归系数b的显著性检验的意义。 3）结合专业背景知识解释回归分析结果。 回归分析原理 回归分析是一种处理变量的统计相关关系的一种数理统计方法。在处理地质数据时，经常要研究变量与变量之间的关系。 变量之间的关系一般分为两种。一种是完全确定关系，即函数关系；一种是相关关系，即变量之间既存在着密切联系，但又不能由一个或多个变量的值求出另一个变量的值。对于这种彼此联系比较紧密的变量，人们总希望建立一定的公式，以便变量之间互相推测。回归分析的基本思想是: 虽然自变量和因变量之间没有严格的、确定性的函数关系, 但可以设法找出最能代表它们之间关系的数学表达形式。 　　回归分析主要解决以下几个方面的问题: 1)通过分析大量的样本数据，确定变量之间的数学关系式。 2)对所确定的数学关系式的可信程度进行各种统计检验，并区分出对某一特定变量影响较为显著的变量和影响不显著的变量。 3)利用所确定的数学关系式，根据一个或几个变量的值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确度。 对于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。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。 对于多元线性回归常用的方法是逐步回归分析-Stepwise 。 逐步回归方法的基本思想： 对全部的自变量x1,x2,...,xp,按它们对Y贡献的大小进行比较，并通过F检验法，选择偏回归平方和显著的变量进入回归方程，每一步只引入一个变量，同时建立一个偏回归方程。当一个变量被引入后，对原已引入回归方程的变量，逐个检验他们的偏回归平方和。如果由于引入新的变量而使得已进入方程的变量变为不显著时，则及时从偏回归方程中剔除。在引入了两个自变量以后，便开始考虑是否有需要剔除的变量。只有当回归方程中的所有自变量对Y都有显著影响而不需要剔除时，在考虑从未选入方程的自变量中，挑选对Y有显著影响的新的变量进入方程。不论引入还是剔除一个变量都称为一步。不断重复这一过程，直至无法剔除已引入的变量，也无法再引入新的自变量时，逐步回归过程结束。 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木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。 回归方程的拟合优度检验一般用判定系数实现。判定系数：0＜＜1，越接近于1，表明回归直线的拟合程度越好；反之，越接近于0，回归直线的拟合程度越差。 对于一元线性回归，用判定系数 (R Square)判定一元线性回归方程的拟合程度 对于多元线性回归，用调整判定系数Adjusted (Adjusted R Square)判定一个多元线性回归方程的拟合程度。 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。 根据给定的显著水平α(SPSS中默认值为0.05)，计算F值所对应的相伴概率值p(SPSS输出结果中的Sig)。如果pα，认为自变量与因变量之间存在显著的线性关系，自变量的变化确实能反映因变量的线性变化，回归方程显著。否则若pα，则回归方程不显著。 回归系数的显著性检验（t检验） 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。 根据给定的显著水平α(SPSS中默认值为0.05)，计算t值所对应的相伴概率值p(SPSS输出结果中的Sig)。如果pα，认为该自变量与因变量之间存在显著的线性关系，它的变化确实能够较好地反映因变量的线性变化，应保留在回归方程中。否则若pα，则应剔除出回归方程。 三、实习内容 一元线性回归分析、多元线性回归分析。 基本的步骤：先做数据散点图，若散点图的趋势大概呈线性关系，可以建立线性回归模型。利用SPSS得到模型关系式，是否是我们所要的，要看回归方程的显著性检验（F检验）和回归系数b的显著性检验(t检验)，还要看拟合程度 (相关系数的平方,一元回归用R Square，多元回归用Adjusted R Square) 实例及SPSS中有关参数的含义： 【例】某种水泥在凝固时放出的热量y(卡/克)与水泥中下列四种化学成分有关:　　: 的成分(%),　　: 的成分(%),　　: 的成分(%),　　: 的成分(