《SPSS数据分析教程》——回归分析.ppt

F检验的 被拒绝，并不能说明所有的自变量都对因变量Y有显著影响，我们希望从回归方程中剔除那些统计上不显著的自变量，重新建立更为简单的线性回归方程，这就需要对每个回归系数做显著性检验。 即使所有的回归系数单独检验统计上都不显著，而F检验有可能显著，这时我们不能够说模型不显著。这时候，尤其需要仔细对数据进行分析，可能分析的数据有问题，譬如共线性等。 调整的R2 随着自变量个数的增多，不管增加的自变量是否和因变量的关系密切与否，R方都会增大；调整的R方是根据回归方程中的参数的个数进行调整的R方，它对参数的增多进行惩罚，调整R方它没有直观的解释意义，它的定义为 应用举例 数据文件performance.sav记录了一项企业心理学研究的数据。它调查了一个大型金融机构的雇员，记录了他们和主管的交互情况的评价和对主管的总的满意情况。我们希望该调查来了解主管的某些特征和对他们的总的满意情况的相互关系。 打开数据文件performance.sav，选择【分析】→【回归】→【线性】，如图8-3所示。把变量Y选入到因变量框中，把变量X1到X6选入到自变量框中，其他选项保留默认值。单击【确定】。 结果及其解释 “t”列记录了各回归系数t检验的t统计量，而Sig.列记录了相应的显著性值。这里，只有X1和X3的显著性值小于0.1，注意到回归方程的常数项也不显著。然而，大部分情况下不显著的预测变量都要从回归方程中移除，而回归常数代表了响应变量的基本水平，不管显著与否，大部分情况都保留在回归方程中。因此，我们可以仅仅考虑Y和X1、X3之间的关系而忽略其他预测变量。 简约回归模型 简约回归模型结果及解释 动手练习 数据文件world95.sav记录了1995年统计的各个国家的生育率(fertility)和妇女的平均预期寿命（lifeexpf）等数据。 1）探索性分析这两个变量，探察两个变量中是否存在异常点。 2）做出这两个变量的散点图，建立两个变量的线性回归模型，判断得到的模型的合理性。 3）利用生育率来预测妇女的预期寿命。并设置相关选项，以进一步检验关于线性回归的假定条件。判断该数据是否满足线性回归的假定条件。 4）并进行回归诊断，对模型的系数进行解释。从输出结果，判断妇女多要一个小孩对她的寿命的影响情况。。 集体项目 《SPSS数据分析教程》 ——回归分析 本章学习目标 掌握线性回归分析的基本概念 掌握线性回归的前提条件并能进行验证 掌握线性回归分析结果的解释 掌握多重共线性的判别和处理 能用线性回归模型进行预测 回归分析的基本概念 什么是回归分析 回归分析是研究变量之间相关关系的一种统计方法 如果两个变量之间的Pearson相关系数绝对值较大，从散点图看出变量间线性关系显著，那么下一步就是应用回归分析的方法来找出变量之间的线性关系。 例如，房屋的价格和房屋的面积，地理位置，房龄和房间的个数都有关系。又比如，香烟的销量和许多地理和社会经济因素有关，像消费者的年龄，教育，收入，香烟的价格等。 回归方程 回归关系一般用下列方程表示 Y=f(X1,X2,?,Xp)+2 (¤) Y被称作因变量，或者响应变量；而X1,X2,?,Xp称作自变量、控制变量、解释变量或者预测变量；而f(.)则称为回归函数， 2为随机误差或随机干扰，它是一个分布与自变量无关的随机变量，我们常假定它是均值为0的正态变量。 回归分析的分类 根据回归函数的形式，回归分析可以分为线性回归和非线性回归： 线性回归： Y= ˉ0 +ˉ1 X1+ˉ2 X2 + ? +ˉp Xp +2 (y) 非线性回归 如果预测变量和响应变量之间有上页(¤)所示的关系，但是不能表示为(y)所示的线性方程的形式，我们称该回归关系为非线性回归。 回归术语 对于有一个响应变量的线性回归，当p=1时，我们称为简单线性回归(Simple Linear Regression，或称为一元线性回归)，当 p2 时我们称为多元线性回归(Multiple Linear Regression)。 回归和相关分析 回归分析是在相关分析的基础上，确定了变量之间的相互影响关系之后，准确的确定出这种关系的数量方法。因此，一般情况下，相关分析要先于回归分析进行，确定出变量间的关系是线性还是非线性，然后应用相关的回归分析方法。在应用回归分析之前，散点图分析是常用的探索变量之间相关性的方法。 应用回归分析的步骤 步骤1：写出研究的问题和分析目标 步骤2：选择潜在相关的变量 步骤3：收集数据 步骤4：选择合适的拟合模型 步骤5：模型求解 步骤6：模型验证和评价 步骤7：应用模型解决研究问题 简单线性回归 简单线性回归的形式为： Y = ˉ0 +ˉ1 X +2 其中