回归分析实验报告..docxVIP

实验报告实验课程： [信息分析]专业： [信息管理与信息系统]班级： [ ]学生姓名： [ ]指导教师：[请 输 入 姓 名]完成时间： 2013年6月28日一．实验目的多元线性回归简单地说是涉及多个自变量的回归分析，主要功能是处理两个变量之间的线性关系，建立线性数学模型并进行评价预测。本实验要求掌握附带残差分析的多元线性回归理论与方法。二．实验环境实验室308教室三．实验步骤与内容1打开应用统计学实验指导书，新建excel表ty（年销售量） x1（地区人口）x2 (人均收入)11.6227.42.4521.2183.25432.2337.53.80241.3120.52.83850.678.62.34761.6926.53.78270.819.83.00881.92332.4591.1619.52.137100.555.32.56112.52434.02122.3237.24.427131.4423.62.66141.0315.72.088152.12372.6052．打开SPSS，将数据输入。3．调用SPSS主菜单的分析——回归——线性命令，打开线性回归对话框，指定因变量（工业GDP比重）和自变量（工业劳动者比重、固定资产比重、定额资金流动比重），以及回归方式；逐步回归（图1）图1 线性对话框4.在统计栏中，选择估计以输出回归系数B的估计值、t统计量等，选择Duribin-watson以进行DW检验；选择模型拟合度输出拟合优度统计量值，如R^2、F统计量值等（图2）。图2 统计量栏5．在线性回归栏中选择直方图和正态概率图以绘制标准化残差的直方图和残差分析与正态概率比较图，以标准化预测值为纵坐标，标准化残差值为横坐标，绘制残差与Y的预测值的散点图，检验误差变量的方差是否为常数（图3）。图3 绘制栏6.提交分析，并在输出窗口中查看结果，以及对结果进行分析。表1输入／移去的变量a模型输入的变量移去的变量方法1地区人口.步进（准则: F-to-enter 的概率 = .050，F-to-remove 的概率 = .100）。2人均收入.步进（准则: F-to-enter 的概率 = .050，F-to-remove 的概率 = .100）。a. 因变量: 年销售量系统在进行逐步分析的过程中产生了两个回归模型，模型1先将与因变量（销售收入）线性关系的自变量地区人口引入模型，建立他们之间的一元线性关系。而后逐步引入其他变量，表1中模型2表明将自变量人均收入引入，建立二元线性回归模型，可见地区人口和人均收入对销售收入的影响同等重要。表2模型汇总c模型RR 方调整 R 方标准 估计的误差Durbin-Watson1.995a.991.990.061072.999b.999.999.021772.701a. 预测变量: (常量), 地区人口。b. 预测变量: (常量), 地区人口, 人均收入。c. 因变量: 年销售量从表2中给出了两个模型各自的R^2和调整后的R^2,第一个模型中的销售收入中有99%的变动可以用地区人口的变动解释，第二个模型中地区人口和人均收入的变动可以解释销售收入中99.9%的变动，显然第二个模型的拟合数据效果比较好一点。 此外，还给出了第二个模型的DW简言之2.701，按照a=0.05、n=15、k=2，查表，得到DW检验临界值dl和du分别为0.95和1.54，因为du=d=4—du，不从在自相关。表3 Anova 方差分析表模型平方和df均方FSig.1回归5.34215.3421432.139.000a残差.04813.004总计5.390142回归5.38422.6925679.466.000b残差.00612.000总计5.39014a. 预测变量: (常量), 地区人口。b. 预测变量: (常量), 地区人口, 人均收入。c. 因变量: 年销售量表3中给出了两个模型的F检验值，查表可知当a=0.05，自由度为（1,13）时，F检验的临界值为4.67，第一个模型的F值为1432.139，远远大于临界值，拒绝原假设，备择假设为真，即至少有一个bi不等于0，因此模型1有效。当a=0.05，自由度为（2，12）时，F检验的临界值为3.88，第二个模型的F值为5679.466，模型2也通过了有效性的检验。表4 系数 回归系数表模型非标准化系数标准系数tSig.B标准 误差试用版1(常量).228.0376.115.000地区人口.053.001.99537.844.0002(常量).035.0241.420.181地区人口.050.001.93481.924.000人均收入.092.010.1089.502.000a. 因变量: 年销售量根据表中非标准化系数B的数值可知，逐步回归过程先后建立的两个回归模型分别是：模