回归分析spss实现.ppt

第九讲 回归分析的SPSS实现 线性回归分析 被解释变量和各个解释变量各对应一个spss变量． 一元线性回归和多元线性回归分析的功能菜单是集成到一起的． 数据：高校科研研究.data 一、描绘散点交互图 基本步骤 Graphs---interactive---Scatterplot Assign Variable---y=课题数；x=高级职称人数 Fit---Method---选择Regression OK 二、用Linear Regression分析 Analyze---Regression---Linear 选择被解释变量进入Dependent框---课题数 选择一个或多个解释变量进入Independent(s)框 METHOD---Enter; stepwise;--- 单击Statistics,选择全部核选框 单击Plots,选择”Histogram”核选框和”Normal probality plot” 选择”ZPRED”输入到”Y”;选择”SRESID”输入到”X”; OK （一）立项课题数多元线性回归分析结果(enter策略) 结果二:模型方差分析表 结果三:系数分析表 结果说明: 1)由于回归方程:课题立项数=-35.313+0.698投入人年数+--- 2)变量的显著性检验:只有“投入人年数”达到了0.003 的极显 著水平,其他变量都不显著,说明除了 “投入人年数”外， 其他变量都与课题立项数没有显著的线性关系。 3)多重共线性检验:容忍度（tolerance）越接近于0，多重共 线性越强；方差膨胀因子（VIF)越大，一般大于等于10 时，说明解释变量Xi 与其余解释变量之间有较强的多重 共线性。 4）结论：由于模型保留了一些不应保留的变量，该模型不 可用；从容忍度和方差膨胀因子看，“投入高级职称人数”与其他解释变量之间多重共线性严重。再重新建模，应考虑提出该变量。 结果四:相关系数矩阵表 结果五:多重共线性检验表 （一）立项课题数多元线性回归分析结果(backward策略) 方差分析 回归系数 多重共线性检验 剔除的变量 曲线估计 常见的曲线模型 二次曲线(Quadratic): y=β0+β1x+β2x2 复合曲线(Compound): y=β0β1x 增长曲线(Growth): y=eβ0+β1x 对数曲线(Logarithmic): y=β0+β1ln(x) 指数曲线(Exponential): y=β0eβ1x 幂函数(Power): y=β0xβ1 逆函数(Inverse) : y=β0+β1/x 基本步骤 1）Analyze---Regression---Curve estimation 2）选择被解释变量进入Dependent框---教育支出 3）选择消费支出进入Independent(s)框；如果选择time 参数，则表示解释变量为时间 4）Models---选择几种模型 复合函数、幂函数等 5）选择 Plots models选项绘制回归线；选择Display ANOVA table输出各个模型的方差分析表和回归系数的显著性检验 练习 人均消费支出和教育.data 要求： 1)分析教育支出和人均可支配收入的关系 2)分析在外就餐支出和人均可支配收入的关系 练习 数据:温度与产卵数 要求: 找出一个较佳的回归函数,并做简要的分析 * 结果一:模型综述表 结果说明: 1)调整后的R2=0.939,因此模型的拟和优度较高; 模型 的F检验达到了0.00的极显著水平.说明模型的线 性关 系较显著,具有较强的解释能力 2)D.W值=1.838接近于2,说明模型的序列相关性不强. 结果说明: 模型的F检验值=61.532,对应的概率值P=0.00,远小于0.01的极显著水平,应该拒绝回归系数为零的原假设,即认为回归系数不同时为零,被解释变量与解释变量全体的线性关系是显著的,可以建立线性模型. 结果说明:1)特征根是诊断解释变量间是否存在多重共线性的另一种有效的方法.2)如果某一个特征根能够刻画某解释变量方差的较大部分比例,(0.7以上),同时有刻画了另一个变量的方差的较大部分,则表明这两个解释变量之间存在较强的线性相关关系.3)第 7个特征根既能解释“投入人年数”方差的84%，又能解释“投入高级职称人数”方差的98%，同时还能解释‘专著数“的44%，因此有理由认为这三个变量间存在多重共线性。4）因此应重新建立回归模型 结果一:模型综述表 常见的曲线模型： 二次曲线；对数曲线（logarithmic)；复合函数（compound);幂函数(Power)等例如：人均消