第八章 SPSS及相关分析和回归分析.ppt

一元线性回归分析操作 (一)基本操作步骤 (1)菜单选项: Analyze-regression-linear… (2)选择一个变量为因变量进入dependent框 (3)选择一个变量为自变量进入independent框 (4)enter:所选变量全部进入回归方程(默认方法) (5)对样本进行筛选(selection variable) 利用满足一定条件的样本数据进行回归分析 (6)指定作图时各数据点的标志变量(case labels) 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. 线性回归方程的残差分析 (四)异常值(casewise或outliers)诊断 利用标准化残差不仅可以知道观察值比预测值大或小,并且还知道在绝对值上它比大多数残差是大还是小.一般标准化残差的绝对值大于3,则可认为对应的样本点为奇异值 异常值并不总表现出上述特征.当剔除某观察值后，回归方程的标准差显著减小,也可以判定该观察值为异常值 线性回归方程的预测 (一)点估计 y0 (二)区间估计 95%的近似置信区间: y0-2Sy,y0+2Sy 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. 多元线性回归分析 (一)多元线性回归方程 多元回归方程: y= β0 +β1x1+β2x2+...+βkxk β1、β2、βk为偏回归系数。 β1表示在其他自变量保持不变的情况下，自变量x1变动一个单位所引起的因变量y的平均变动 (二)多元线性回归分析的主要问题 回归方程的检验 自变量筛选 多重共线性问题 多元线性回归方程的检验 (一)拟和优度检验: (1)判定系数R2: R是y和xi的复相关系数(或观察值与预测值的相关系数),测定了因变量y与所有自变量全体之间线性相关程度 (2)调整的R2: 考虑的是平均的剩余平方和,克服了因自变量增加而造成R2也增大的弱点 在某个自变量引入回归方程后，如果该自变量是理想的且对因变量变差的解释说明是有意义的，那么必然使得均方误差减少，从而使调整的R2得到提高；反之，如果某个自变量对因变量的解释说明没有意义，那么引入它不会造成均方误差减少，从而调整的R2也不会提高。 多元线性回归方程的检验 (二)回归方程的显著性检验： (1)目的:检验所有自变量与因变量之间的线性关系是否显著，是否可用线性模型来表示. (2)H0: β1 = β2 =…= βk =0 即:所有回归系数同时与0无显著差异 (3)利用F检验,构造F统计量: F=平均的回归平方和/平均的剩余平方和~F(k,n-k-1) 如果F值较大，则说明自变量造成的因变量的线性变动大于随机因素对因变量的影响,自变量于因变量之间的线性关系较显著 (4)计算F统计量的值和相伴概率p (5)判断 p=a:拒绝H0,即:所有回归系数与0有显著差异