回归概念、回归系数.pptVIP

线性回归分析 三、线性回归分析 SPSS操作及案例分析 结果分析： 从建立的散点图来看，自变量x和因变量y之间存在一定的线性关系，但数据分布较为分散，所以相关程度不是很高。 曲线估计 三、线性回归分析 SPSS操作及案例分析 结果分析： (3)方差分析表： 从表中可以看出，F分布的显著性概率为0.000，说明因变量和自变量的线性关系是显著的，可建立线性模型 三、线性回归分析 SPSS操作及案例分析 结果分析： (4)模型系数表 表中显示回归模型中的常数项(Constant) 非标准化的回归系数(Unstandardized Coefficients)B值及其标准误差(Std. Error) 标准化的回归系数(standardized Coefficients)Beta值、t值以及显著性水平(Sig.) 三、线性回归分析 SPSS操作及案例分析 结论： 从表中可以得到5个回归模型的方程 第5个回归方程为 回归系数的伴随概率为0.000，相关系数为0.917，判定系数为0.84，说明回归方程解释了整个因变量变异程度的84%，说明变量之间相关程度高，回归方程的拟合优度高。 对当前工资影响较大的依次为：开始工资、工种、来本公司前的工作经验、来公司工作时间和受教育时间，主要考虑的是Beta值的大小。 四、曲线估计 曲线估计的概念 现实生活中，变量之间的关系并非都是线性相关，实际上非相关关系更为常见，除了可以通过绘制散点图的方式粗略地考察这种非线性关系，还可以用曲线估计来进行拟合。 曲线估计(曲线拟合、曲线回归)是指选定一种用方程表达的曲线，使得实际数据与理论数据之间的差异尽可能地小。 曲线选择得好的话，那么可以揭示因变量与自变量的内在关系，并对因变量的预测有一定意义。 曲线估计中需要解决的问题 一是选用哪种理论模型，即用哪种方程来拟合观测值 二是当模型确定后，如何选择合适参数，使得理论数据和实际数据的差异最小 四、曲线估计 曲线估计的基本研究方法 (1)做散点图来观察曲线形状 变量之间关系分线性相关和非线性相关 非线性相关分为本质线性关系和本质非相关关系 SPSS对本质线性关系采用曲线估计子模型；对本质非相关关系采用非线性子模型 (2)结合专业知识，或从长期积累的数据中找出变量之间的函数类型 在SPSS中提供了11中本质线性模型(P166 表9.10) 应用SPSS进行曲线估计时， 可以先选择几种模型，然后自动完成模型的参数估计 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 以判定系数为主要依据选择其中的最优模型，进行预测分析 四、曲线估计 SPSS操作及案例分析 例四：某产品零售商为某种产品做广告的投入资金advert(百万元)和因此而获得的销售额sales (百万元)的相关数据，试找出一种合适的回归函数。 四、曲线估计 SPSS操作及案例分析 操作步骤： 绘制散点图初步确定可能的曲线估计回归模型Graphics ? Scatter/Dot… Analyze ? Regression ? Curve Estimation… 数据文件：9-advert.sav 保存文件：9-advert.spo 1 3 2 11中本质线性模型 (P166 表9.10) 四、曲线估计 SPSS操作及案例分析 结果分析： (1)散点图 从图中可以看出，曲线近似于直线、二次曲线或三次曲线 直线 二次曲线 三次曲线 四、曲线估计 SPSS操作及案例分析 结果分析： (2)曲线回归估计结果表 表中给出三种模型的最优拟合结果，可以通过比较相关系数的平方值(R Square)来比较各个模型的优劣。相关系数的平方值较大的可能是样本数据拟合曲线中的最优者。 从表中可以看出，二次曲线(Quadratic)和三次曲线(Cubic)的相关系数的平方值较大，并且伴随概率都为0.000，这两种曲线都能较好的拟合样本数据。 常数与回归系数 四、曲线估计 SPSS操作及案例分析 结果分析： 从拟合曲线图上，也可以看出二次曲线和三次曲线能较好拟合样本数据 四、曲线估计 SPSS操作及案例分析 结论： 二次曲线方程为 b2(=-0.245)是一个负值，意味着广告投入不可以无限增加，当广告投入增加到一定值后，销售额反而会降低