4-SPSS相关分析和回归分析.pptVIP

一元线性回归分析操作 (二) statistics选项 (1)基本统计量输出 Estimates:默认.显示回归系数相关统计量. confidence intervals:每个非标准化的回归系数95%的置信区间. Descriptive:各变量均值、标准差和相关系数单侧检验概率. Model fit:默认.判定系数、估计标准误差、方差分析表、容忍度 (2)Residual框中的残差分析 Durbin-waston:D-W值 casewise diagnostic:异常值(奇异值)检测 (输出预测值及残差和标准化残差) * 一元线性回归分析操作 (三)plot选项:图形分析. Standardize residual plots:绘制残差序列直方图和累计概率图,检测残差的正态性 绘制指定序列的散点图,检测残差的随机性、异方差性 ZPRED:标准化预测值 ZRESID:标准化残差 SRESID:学生化残差 produce all partial plot:绘制因变量和所有自变量之间的散点图 * 线性回归方程的残差分析 (一)残差序列的正态性检验: 绘制标准化残差的直方图或累计概率图 (二)残差序列的随机性检验 绘制残差和预测值的散点图,应随机分布在经过零的一条直线上下 * 线性回归方程的残差分析 (三)残差序列独立性检验: 残差序列是否存在后期值与前期值相关的现象,利用D.W(Durbin-Watson)检验 d-w=0:残差序列存在完全正自相关;d-w=4:残差序列存在完全负自相关;0d-w2:残差序列存在某种程度的正自相关;2d-w4:残差序列存在某种程度的负自相关;d-w=2:残差序列不存在自相关. 残差序列不存在自相关,可以认为回归方程基本概括了因变量的变化;否则,认为可能一些与因变量相关的因素没有引入回归方程或回归模型不合适或滞后性周期性的影响. * 线性回归方程的预测 (一)点估计 y0 (二)区间估计 x0为xi的均值时,预测区间最小,精度最高.x0越远离均值,预测区间越大,精度越低. * 回归分析检验策略 * 例 萨尔金德《爱上统计学》P176 Chapter 15 Data Set 1.sav 8.4.5 应用举例 * 例 以高校科研研究数据为例，建立回归方程研究 1、课题总数受论文数的影响 2、以课题总数为被解释变量，解释变量为投入人年数（X2）、受投入高级职称的人年数（X3）、投入科研事业费（X4）、专著数（X6）、论文数（X7）、获奖数（X8）。 （1）解释变量采用强制进入策略（Enter），并做多重共线性检测。 （2）解释变量采用向后筛选策略让SPSS自动完成解释变量的选择。 （3）解释变量采用逐步筛选策略让SPSS自动完成解释变量的选择。 * 8.5 曲线估计 8.5.1 曲线估计概述 变量间的相关关系中，并不总是表现出线性关系，非线性关系也是极为常见的。变量之间的非线性关系可以划分为本质线性关系和本质非线性关系。本质线性关系是指变量关系形式上虽然呈非线性关系，但可通过变量变换为线性关系，并最终可通过线性回归分析建立线性模型。本质非线性关系是指变量关系不仅形式上呈非线性关系，而且也无法变换为线性关系。本节的曲线估计是解决本质线性关系问题的。 * 常见的本质线性模型有： 1、二次曲线（Quadratic），方程为 ，变量变换后的方程为 2、复合曲线（Compound），方程为 ，变量变换后的方程为 3、增长曲线（Growth），方程为 ，变量变换后的方程为 * 4、对数曲线（Logarithmic），方程为 ，变量变换后的线性方程为 5、三次曲线（Cubic），方程为 ，变量变换后的方程为 6、S曲线（S），方程为 ，变量变换后的方程为 7、指数曲线（Exponential），方程为 ，变量变换后的线性方程为 * 8、逆函数（Inverse），方程为 变量变换后的方程为 9、幂函数（Power），方程为 变量变换后的方程为 10、逻辑函数（Logistic），方程为 变量变换后的线性方程为 * SPSS曲线估计中，首先，在不能明确究竟哪种模型更接近样本数据时，可在多种可选择的模型中选择几种模型；然后SPSS自动完成模型的参数估计，并输出回归方程显著性检验的F值和概率p值、判定系数R2等统计量；