SPSS数据分析教程》 ——回归分析.pptVIP

用回归方程预测 在一定范围内，对任意给定的预测变量取值，可以利用求得的拟合回归方程进行预测。其预测值为： SPSS可以提供标准化的预测值和调整的预测值 * 简单线性回归举例 一家计算机服务公司需要了解其用电话进行客户服务修复的计算机零部件的个数和其电话用的时间的关系。经过相关分析，认为二者之间有显著的线性关系。下面我们用线性回归找到这两个变量之间的数量关系。 * SPSS回归分析 在SPSS中打开数据文件ComputerRepair.sav，变量Units记录了修复的零部件的个数；变量Minuts记录了服务所占用的电话时间。 选择【分析】→【回归】→【线性】。把Units选入到自变量框中；把Minuts选入到因变量框中。其他选项保留默认值。 * SPSS回归分析 * 回归分析的结果及其解释 * 拟合优度检验 * 多元线性回归 实际应用中，很多情况要用到多个预测变量才能更好地描述变量间的关系，如果这些预测变量在预测方程中的系数为线性，那么回归方程称为多元线性回归方程。就方法的实质来说，处理多个预测变量的方法与处理一个预测变量的方法基本相同。 * 多元线性回归的模型 多元线性回归的模型为： Y = ˉ0 +ˉ1 X1 + ˉ2 X2 +? +ˉp Xp +2 回归系数的估计和简单线性回归一样，仍然应用最小二乘法 * 回归方程的显著性检验 与一元的情形一样，上面的讨论是在响应变量Y与预测变量X之间呈现线性相关的前提下进行的，所求的经验方程是否有显著意义，还需对X与Y间是否存在线性相关关系作显著性假设检验，与一元类似，回归方程是否有显著意义，需要对回归参数ˉ0,ˉ1,?,ˉp进行检验。 * 检验每个回归系数是否显著 H0:ˉi =0, i=0,1,2,?, p 这里和一元线性回归的检验一样，检验统计量为t统计量。 检验所有回归系数都不显著,即 H0:ˉ0 =ˉ1=?=ˉp 这里的检验统计量为 * 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