多重回归分析.doc

实验二 多重回归分析 学院名称：理学院 专业年级： 信计111 姓 名： 学 号：2011014816 课 程：多元统计分析 报告日期：2014.5.5 一、实验目的 研究样本数据离差阵、样本协方差阵，以及变量之间的相关系数（包括偏相关）并作相关性分析。 二、实验要求 为研究高等院校人文社会科学研究中立项课题数受那些因素的影响，收集到某年31个地区部分高校有关社科研究方面的数据（见SPSS数据），利用此的数据，设定立项课题数X5为因变量（被解释变量），X2，X3，X4，X6,X7,X8为解释变量，作多重回归分析。 三、实验内容 1.依次点击“分析→回归→线性回归”，得到如下图一所示： 2.点击“统计量”，得到如下图二所示： 进而可以得到： 描述统计量 均值 标准差 N 课题总数 960.000 838.1887 31 投入人年数 2144.387 1634.3769 31 投入高级职称的人年数 1035.032 832.2668 31 投入科研事业费（百元） 55632.452 67361.4640 31 专著数 486.161 524.7494 31 论文数 4530.258 3323.7483 31 获奖数 133.806 140.5132 31 模型摘要(b) 模型 R R 方 调整的 R 方 估计的标准差 更改统计量 Durbin-Watson R 方更改 F 更改 df1 df2 显著性F 更改 1 .959(a) .919 .917 241.9582 .919 331.018 1 29 .000 1.747 a 预测变量:(常量), 投入人年数。 b 因变量: 课题总数 问题分析： 由“模型摘要”表格得到： （1）R为复相关系数，它表示模型中所有自变量与因变量之间的线性回归关系的密切程度大小。它的取值介于0和1之间；R越大说明线性回归关系越密切，此时R值为0.959，R值很大，则线性关系明显。可决系数等于复相关系数的平方，这里等于0.919。调整的R2为我们要重点关注的统计量；它的值越大，模型拟合效果得越好；调整的R2为0.917。最后给出的是剩余标准差，它是残差的标准差，其大小反映了建立的模型预测因变量的精度。剩余标准差越小，说明建立的模型效果越好，此时剩余标准差较大，说明模型效果不太好，可考虑其他模型。 （2）方差分析表是对回归模型进行方差分析的检验结果。可以看到方差分析结果中F统计量等于331.018，概率P值接近于0明显小于显著性水平0.05。 （3）回归系数表给出了回归模型的常数项、筛选后余下的自变量和因变量的偏相关系数，分别为-94.524和0.492。于是得到回归方程如下： 立项课题数X5＝-94.524＋0.492×投资人年数x2 ① 回归系数表也给出了模型对自变量和因变量的偏回归系数是否等于0的t检验结果。t值等于18.194，概率P值都小于显著性水平0.05，因此认为偏相关系数显著不等于0。但是，分析回归方程①得到x2的系数接近于0，且x5只与x2有线性关系，且不明显，而常数项相比x2的系数来说明显很大。 综上说明：x5与x2有线性关系，与x3,x4,x6,x7无线性关系，可考虑其他模型。 四、存在问题与解决情况 对spss软件不是很熟悉。且对于多元数据的相关性分析得概念只有表面的了解，对于所得结果中的数据含义不是十分理解，但通过课件和网络对实习中所产生的疑问进行了解决，但课后仍需多加练习。