实验十 回归分析实验.docVIP

实验十 回归分析实验 变量之间的关系可以分为两类，一类是确定性的，另一类是非确定性的。确定型的关系是指：某一个或某几个现象的变动必然会引起另一个现象确定的变动，他们之间的关系可以使用数学函数式确切地表达出来，即。当知道的数值时，就可以计算出确切的值来。如圆的周长与半径的关系：周长。非确定关系则不然，例如，在发育阶段，随年龄的增长，人的身高会增加。但不能根据年龄找到确定的身高，即不能得出11岁儿童身高一定就是1米40公分。年龄与身高的关系不能用一般的函数关系来表达。研究变量之间既存在又不确定的相互关系及其密切程度的分析称为相关分析。如果把其中的一些因素作为自变量，而另一些随自变量的变化而变化的变量作为因变量，研究他们之间的非确定因果关系，这种分析就称为回归分析。 实验目的：学习利用SPSS进行回归分析。 实验内容：一、一元线性回归分析 二、多元线性回归分析 三、曲线估计 四、Logistic回归分析 五、probit回归分析 六、非线性回归分析 实验工具：SPSS中回归分析菜单。 一 一元线性回归分析 知识准备： 相关和回归描述的是两变量间联系的不同侧面，一元线性回归分析就是寻找因变量数值随自变量变化而变化的直线趋势，并在散点图上找到这样一条直线，相应的方程也就被称为直线回归方程。 通过回归方程解释两变量之间的关系会显的更为精确，例如可以计算出大白鼠每进食一个单位代乳粉体重平均增加的单位数量，这是相关分析无法做到的。除了描述两变量的关系以外， 通过回归方程还可以进行预测和控制，预测就是在回归方程中控制了变量的取值范围就可以相应的得到变量的上下限，而控制则正好相反，也就是通过限制结果变量的取值范围来得到 的上下限。这两点在实际的应用中显得尤为重要。 1、一元线性回归分析的原理和要求 如果将两个事物的取值分别定义为变量和，则可以用回归方程来描述两者的关系，这里需要注意的有两点：①变量称为自变量，而为因变量，一般来讲应该有理由认 为是由于的变化而导致发生变化。②不是一个确定的数值，而是对应于某个确定的群体的值平均值的估计。该方程的含义可以从其等式右边的组成来理解。即每个预测值都可 以被分解成两部分: 1）常量(constant)：为等于零时回归直线在轴上的截距即取值为零时的平均估计量。 2)回归部分：它刻画因变量的取值中，由因变量与自变量的线性关系所决定的部分，即可以由直接估计的部分。称为回归系数(Coefficient of Regression)，又称其为回归线的斜率(Slope)。 估计值和每一个实测值之间的差被称为残差，一般用表示。它刻画了因变量除了自变量以外的其他所有未进入该模型或未知但可能与有关的随机和非随机因素共同引起的变 异，即不能由直接估计的部分。往往假定服从正态分布。 回归方程中的参数和一般是通过最小二乘原理估计出来的，所谓最小二乘原理就是指使得坐标中每一对变量和变量所对应的点到回归直线纵向距离的平方和，或者说残差的平方和最小。 2、一元线性回归分析的适用条件 1）线性趋势：自变量与因变量的关系是线性的，如果不是，则不能采用线性回归来分析。这可以通过散点图来加以判断。 2）独立性：可表述为因变量的取值相互独立，之间没有联系。反映到模型中，实际上就是要求残差间相互独立，不存在自相关，否则应当采用自回归模型来分析。 3）正态性：就自变量的任何一个线性组合，因变量均服从正态分布，反映到模型中，实际上就是要求残差服从正态分布。 4）方差齐性：就自变量的任何一个线性组合，因变量的方差均相同，实质就是要求残差的方差齐性。 如果只是建立方程，探讨自变量与因变量间的关系，而无需根据自变量的取值预测因变量的容许区间、可信区间等，则后两个条件可以适当放宽。 概括起来，“独立”、“线性”、“正态”、“等方差”是线性回归的四个条件。 3、一元线性回归方程的检验 根据原始数据，求出回归方程后就需要对回归方程进行检验。检验的假设是总体回归系数为0。另外要检验回归方程对因变量的预测效果如何。 1）回归系数的显著性检验 ①对斜率的检验，假设是：总体回归系数为.检验该假设的值计算公式是：，其中是回归系数的标准误。 ②对截距的检验，假设是：总体回归方程截距。检验该假设的值计算公式是：,其中是截距的标准误。 2）判定系数 在判定一个线性回归直线的拟合优度的好坏时，系数是一个重要的判定指标。判定系数等于回归平方和在总平方和中所占的比率，即体现了回归模型所能解释的因变量变异性的百分比。如果，则说明变量的变异中有77.5％是由变量引起的。当时，表示所有的观测点全部落在回归直线上。当时，表示自变量与因变量无线性关系。