用SPSS做回归剖析.pptVIP

3.4 用SPSS作回归分析;一、简介;以年龄为自变量x，血压为因变量y，可作出如下散点图：; 为了判断经验公式是否可用线性函数来拟合，可以画出散点图观察。其方法如下：;双击;为了求得经验公式，可通过如下步骤进行：;当自变量和因变量选好后，点击 OK 键;Model为回归方程模型编号(不同方法对应不同模型) R为回归方程的复相关系数 R Square即R2系数，用以判断自变量对因变量的影响有多大，但这并不意味着越大越好——自变量增多时，R2系数会增大，但模型的拟合度未必更好 Adjusted R Square即修正R2，为了尽可能确切地反映模型的拟合度，用该参数修正R2系数偏差，它未必随变量个数的增加而增加 Std. Error of the Estimate是估计的标准误差;Sum of Squares为回归平方和（Regression）、残差平方和（Residual）、总平方和（Total） df 为自由度 Mean Square F Sig 为大于F的概率，其值为0.000，拒绝回归系数为0的原假设：b0=b1=0——即认为回归方程显著性成立;Model 为回归方程模型编号 Unstandardized Coefficients 为非标准化系数，B为系数值，Std.Error为系数的标准差 Standardized Coefficients 为标准化系数 t 为t检验，是偏回归系数为0(和常数项为0)的假设检验 Sig. 为偏回归系数为0 (和常数项为0)的假设检验的显著性水平值 B 为Beta系数，Std.Error 为相应的标准差; 第一导丝盘速度Y是合成纤维抽丝的重要因素，它与电流的周波X有密切关系，由生产记录得：;检验说明线性关系显著;对于多元线性回归主要需研究如下几个问题：;方差分析的主要思想是把 yi 的总方差进行分解：; 如果自变量对Y的影响显著，则总方差主要应由xi引起，也就是原假设不成立，从而检验统计量为：; 在实际问题中，影响因变量Y的因素（自变量）可能很多。在回归方程中，如果漏掉了重要因素，则会产生大的偏差；但如果回归式中包含的因素太多，则不仅使用不便，且可能影响预测精度。如何选择适当的变量，建立最优的回归方程呢？;开始;某地区大春粮食产量 y 和大春粮食播种面积x1、化肥用量x2、肥猪发展头数x3、水稻抽穗扬花期降雨量x4的数据如下表，寻求大春粮食产量的预报模型。;按Graphs→Scatter →Simple顺序展开对话框 将y???入Y Axis，然后将其余变量逐个选入X Axis ，绘出散点图，观察是否适宜用线性方程来拟合。;按Statistics→Regression →Linear顺序展开对话框 将y作为因变量选入Dependent框中，然后将其余变量选入作为自变量选入Independent(s)框中;被引入与被剔除的变量;由复相关系数R=0.982说明该预报模型高度显著，可用于该地区大春粮食产量的短期预报;方差分析表;回归方程为：; 在汽油中加入两种化学添加剂，观察它们对汽车消耗1公升汽油所行里程的影响，共进行9次试验，得到里程Y与两种添加剂用量X1、X2之间数据如下：;检验说明线性关系显著; 在实际问题中，常会遇到变量之间关系不是线性的相关关系，而是某种曲线的非线性相关关系。此时首先要确定回归函数的类型，其原则是：;鼠标在选项上点击右键可看到相应模型类型; 测量13个样品中某种金属含量Y与该样品采集点距中心观测点的距离X，有如下观测值：;首先绘出散点图：;通过点击右键观看选择适当的类型：Logarithmic;因此我们有理由怀疑，原来的数据可能有错误（一般是打印错误），再结合原数据分析发现，Y=110.62是比较合适的，更改后再求解;例. 《概率论与数理统计》P286 例9.4.2