公共管理量化方法：技术与应用I.pptxVIP

公共管理量化方法：技术与应用; ; 在 SPSS 中 , 实现回归分析的功能在 ：Analyze→Regression Regression 命令菜单有如下九个过程。 ① Linear: 线性回归分析 ; ② Curve Estimation: 曲线估计分析 ; ③ Binary logistic : 二维逻辑分析 ; ④ Multinormal logistic 多维逻辑分析 ; ⑤ Ordinal 顺序分析 ; ⑥ Probit 概率分析 ; ⑦ Nonlinear: 非线性回归分析 ; ⑧Weight Estimation 加权估计分析 ; ⑨ 2-Stage Least Squares : 两阶最小二乘分析。;Linear 线性回归分析;【设置界面】;【statistics按钮】;【plots按钮】通过图形用于对残差序列进行分析;【Save按钮】将选中结果作为新变量存入数据文件或新文件;【option按钮】;【结果形式】;模型中常数项与回归系数的检验 回归方程为time=-1.955+3.457diam;【实例】为研究某公司职工当前工资水平（salary），收集了影响因素6个，即开始工资（salbegin $）、受教育时间（educ）、来公司工作时间（jobtime）、工种（jobcat）、来前工作经验（prevexp）及是否少数民族（minority），试用多元线性回归对该公司当前工资水平建立恰当回归模型。 【数据准备】见下页;6个影响因素变量;【statistics按钮】;【Save按钮】;【结果形式】;复相关系数，随自变量的加入而增大，较大，线性相关高;随自变量的加入,线性模型都有显著效果;随自变量的加入，因变量与自变量都显著线性相关; 可见，第5个回归方程为 salary=-15038.574+1.365salbegin+5859.585jobcat-19.553prevexp+154.698jobtime+539.642educ 复相关系数R=0.917，可决系数R2=0.84，经检验，回归模型、回归系数及D-W检验都有显著统计学意义。 对工资水平影响较大的因素依次为 开始工资、工种、来前工作经验、来公司工作时间、受教育时间。;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;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选入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;;方差分析表;回归方程为：;Curve Estimation: 曲??估计分析 ;;Curve Estimation中提供了11种本质线性模型：;【实例】某产品零售商已知产品的广告投入和销售额的数据，试找出适当的回归方程。;设置散点标识，颜色;