多元回归的例子和结果说明.docVIP

本文的目的就是将一个简单的分析结果描述出来，不仅方便学习，也方便观看。 以下是直线回归的例子，数据如下。 体长胸围体重151.5186462156.2186496146193458136.1193463146.2172388149.8188485155197456144.5175392147.2175398145.2185437138172378142.5192446141.5180396149183426154.2193506152187457158190506146.8189455147.3183478151.3191454整套数据是从生物统计学中的一个例子中得到的，现实生活中不可能这么理想，这里只是举例。数据是20头黄牛的体重，胸围，体长的数据，目的就是建立体重（因变量）对胸围和体长（自变量）的回归方程。 本人所用的方法就是全部都是默认，只是将统计量对话框中的所有复选框全选。即是是外行，也照样能用SPSS分析。但是，结果就必须能看懂，知道各个统计量是什么意思才能用来分析。所以，本人的原则就是，操作是手段，次要的，而结果是重要的。但是，许多书都是对结果轻描淡写，但是几句话却蕴藏着方法。 就是方差的平方根，是一种离散趋势的度量。本例中体重的标准偏差最大 描述性统计量 均值标准 偏差N体重446.850039.3864520体长147.91505.8125320胸围185.50007.4091020表示自变量与因变量间线性关系密切程度的指标，取值范围0~1.值越接近1，线性关系越强，本例 为0.828线性关系比较强 与R方有相同的数值 模型汇总b模型RR 方调整 R 方标准 估计的误差更改统计量Durbin-WatsonR 方更改F 更改df1df2Sig. F 更改1.858a.735.70421.42079.73523.618217.0002.536是解释回归模型中自变量的变异在因变量变异中所占的比例，多云回归判定系数的值会随着进入方程的自变量个数或样本容量的大小的增加而增加，为了消除影响，引进调整R方。本例中调整R方小于R方。 a. 预测变量: (常量), 胸围, 体长。在对回归模型诊断时，需要诊断回归模型中误差项的独立性，如果误差项不独立，那么对回归模型的任何估计与假设所作出的结论都是不可靠的。诊断的参数为DW，取值范围为0D4.统计学意义如下： 1 当残差与自变量互为独立，D约等于2 2当相邻两点残差为正相关时D,2 3当相邻两点的残差为负相关，D2 b. 因变量: 体重