用SPSS做回归分析.pptVIP

一、简介 在现实生活中，客观事物常受多种因素影响，我们记录下相应数据并加以分析，目的是为了找出对我们所关心的指标（因变量）Y有影响的因素（也称自变量或回归变量）x1、x2、…、xm，并建立用x1、x2、…、xm预报Y的经验公式： 从而用以进行预测或控制，达到指导生产活动的目的。 多元线性回归 以年龄为自变量x，血压为因变量y，可作出如下散点图： 175 125 130 144 158 124 116 114 135 130 128 110 140 150 162 血压 69 25 29 63 53 19 20 17 45 48 42 34 59 56 64 年龄 116 120 120 142 136 154 158 124 170 142 162 145 138 120 144 血压 44 21 39 50 36 56 67 42 67 45 65 47 45 47 39 年龄 例1、某医学研究所对30个不同年龄的人的血压（高压）进行了测量，得到如下数据： 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 改变显示格式 改变坐标轴的显示 为了求得经验公式，可通过如下步骤进行： 从散点图可以看出年龄与血压有线性关系： 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 结果说明——常用统计量： 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 结果说明——方差分析： 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 结果说明——回归系数分析： 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： 17.0 50.2 17.1 17.0 16.9 16.8 16.7 16.6 16.8 17.0 16.7 速度Y 50.2 49.9 49.8 49.5 49.0 49.0 49.3 50.0 49.2 周波X 试求Y对X的经验回归直线方程，并求误差方差σ2的无偏估计值。 检验X与Y之间是否存在显著的线性关系（取α=0.01）？ 例. 《概率论与数理统计》P267 例9.2.1 检验说明线性关系显著 操作步骤：Analyze→Regression →Linear… →Statistics→Model fit Descriptives 结果： 对于多元线性回归主要需研究如下几个问题： 建立因变量Y与x1、x2、…、xm的经验公式（回归方程） 对经验公式的可信度进行检验 判断每个自变量xi(i=1, … , m)对Y的影响是否显著？ 利用经验公式进行预报、控制及指导生产 诊断经验公式是否适合这组数据 方差分析的主要思想是把 yi 的总方差进行分解： 模型平方和 误差平方和 二、多元线性回归 参数估计方法——最小二乘法 回归方程显著性的检验——就是检验以下假设是否成立（采用方差分析法）： 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： TSS n-1 和 EMS ESS n-m-1 随机误差 p MMS —— EMS MMS MSS m 自变量 p值 F 均方 平方和 自由度 方差来源 多元线性回归的方差分析表： 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？ 在最优的方程中，所有变量对因变量Y的影响都应该是显著的，而所有对Y影