第七章回归解说.pptVIP

2、Options选项，出现的窗口可供用户设置多元线性回归分析中解释变量筛选的标准以及缺失值的处理方式。 3、Plot选项，出现的窗口用于对残差序列的分析。 （1）窗口左边框中各变量名的含义是：DEPENDNT表示被解释变量，*ZPRED表示标准化预测值，*ZRESID表示标准化残差，*DRESID表示剔除残差，*ADJPRED表示调整的预测值，*SRESID表示学生化残差，*SDRESID表示剔除学生化残差。 （2）绘制多对变量的散点图，可根据需要在scatter框中定义散点图的纵坐标和横坐标变量。 （3）在Standardized Residual Plots框中选择Histogram选项绘制标准化残差序列的直方图；选择Normal probability plot绘制标准化残差序列的正态分布累计概率图。选择Produce all partial plots选项表示依次绘制被解释变量和各个解释变量的散点图。 4、Save选项，该窗口将回归分析的某些结果以SPSS变量的形式保存到数据编辑窗口中，并可同时生成XML格式的文件，便于分析结果的网络发布。 （1）Predicted Values框中：保存非标准化预测值、标准化预测值、调整的预测值和预测值的均值标准误差。 （2）Distance框中：保存均值或个体预测值95％（默认）置信区间的下限值和上限值。 （3）Residual框中：保存非标准化残差、标准化残差等。 （4）Influence Statistics框中：保存剔除第i个样本后统计量的变化量。 5、WSL选项，采用加权最小二乘法替代普通最小二乘法估计回归参数，并指定一个变量作为权重变量。 以“高校科研研究”数据为例，建立回归方程研究 1、课题总数受论文数的影响 2、以课题总数为被解释变量，解释变量为投入人年数（X2）、受投入高级职称的人年数（X3）、投入科研事业费（X4）、专著数（X6）、论文数（X7）、获奖数（X8）。 （1）解释变量采用强制进入策略（Enter），并做多重共线性检测。 （2）解释变量采用向后筛选策略让SPSS自动完成解释变量的选择。 （3）解释变量采用逐步筛选策略让SPSS自动完成解释变量的选择。 7.1.5 应用举例 7.2 曲线估计 7.2.1 曲线估计概述 变量间的相关关系中，并不总是表现出线性关系，非线性关系也是极为常见的。变量之间的非线性关系可以划分为本质线性关系和本质非线性关系。 本质线性关系是指变量关系形式上虽然呈非线性关系，但可通过变量变换为线性关系，并最终可通过线性回归分析建立线性模型。本质非线性关系是指变量关系不仅形式上呈非线性关系，而且也无法变换为线性关系。本节的曲线估计是解决本质线性关系问题的。 常见的本质线性模型有： 1、二次曲线（Quadratic），方程为 ，变量变换后的方程为 2、复合曲线（Compound），方程为 ，变量变换后的方程为 3、增长曲线（Growth），方程为 ，变量变换后的方程为 4、对数曲线（Logarithmic），方程为 ，变量变换后的线性方程为 5、三次曲线（Cubic），方程为 ，变量变换后的方程为 6、S曲线（S），方程为 ，变量变换后的方程为 7、指数曲线（Exponential），方程为 ，变量变换后的线性方程为 8、逆函数（Inverse），方程为 变量变换后的方程为 9、幂函数（Power），方程为 变量变换后的方程为 10、逻辑函数（Logistic），方程为 变量变换后的线性方程为 SPSS曲线估计中，首先，在不能明确究竟哪种模型更接近样本数据时，可在多种可选择的模型中选择几种模型；然后SPSS自动完成模型的参数估计，并输出回归方程显著性检验的F值和概率p值、判定系数R2等统计量；最后，以判定系数为主要依据选择其中的最优模型，并进行预测分析等。另外，SPSS曲线估计还可以以时间为解释变量实现时间序列的简单回归分析和趋势外推分析。 7.2.2 曲线估计的基本操作 可通过绘制并观察样本数据的散点图粗略确定被解释变量和解释变量之间的相关关系，为曲线拟合中的模型选择提供依据。SPSS曲线估计的基本操作步骤是： （1）选择菜单Analyze－Regression－Curve Estimation，出现窗口如下页所示。 （2）把被解释变量选到Dependent框中。 （3）曲线估计中