线性回归分析实验报告.docVIP

实验一：线性回归分析 实验目的：通过本次试验掌握回归分析的基本思想和基本方法，理解最小二乘法的计算步骤，理解模型的设定T检验，并能够根据检验结果对模型的合理性进行判断，进而改进模型。理解残差分析的意义和重要性，会对模型的回归残差进行正态型和独立性检验，从而能够判断模型是否符合回归分析的基本假设。 实验内容：用线性回归分析建立以高血压作为被解释变量，其他变量作为解释变量的线性回归模型。分析高血压与其他变量之间的关系。 实验步骤： 选择File | Open | Data 命令，打开gaoxueya.sav 图1-1 数据集gaoxueya 的部分数据 选择Analyze | Regression | Linear…命令，弹出 Linear Regression (线性回归) 对话框，如图1-2所示。将左侧的血压（y）选入右侧上方的Dependent(因变量) 框中，作为被解释变量。再分别把年龄（x1）、体重（x2）、吸烟指数（x3）选入Independent （自变量）框中，作为解释变量。在Method（方法）下拉菜单中，指定自变量进入分析的方法。 图1-2 线性回归分析对话框 3、单击Statistics按钮，弹出Linear Regression : Statistics（线性回归分析：统计量）对话框，如图1-3所示。 1-3线性回归分析统计量对话框 4、单击 Continue 回到线性回归分析对话框。单击Plots ，打开Linear Regression:Plots（线性回归分析：图形）对话框，如图1-4所示。完成如下操作。 图1-4 线性回归分析：图形对话框 5、单击Continue ，回到线性回归分析对话框，单击Save按钮，打开Linear Regression；Save 对话框，如图1-5所示。完成如图操作。 图1-5 线性回归分析：保存对话框 6、单击Continue ，回到线性回归分析对话框，单击Options 按钮，打开Linear Regression；Options 对话框，如图1-6所示。完成如下操作。 图1-6 线性回归分析选项对话框 7、单击Continue ,回到线性回归分析对话框，然后单击OK，进入计算分析。 实验结论： 图1-7给出了基本的描述性统计量，图中显示各个变量的全部观测量的Mean（均值）、Std.Deviation（标准差）和观测量总数N。图1-8给出了相关系数矩阵表，其中显示4个自变量两两间的Pearson相关系数，以及相关关系等于0的假设的单位显著性检验概率。 从表中看到因变量血压与自变量年龄、体重系数的相关系数依次为0.818、0.659，反应高血压与年龄、体重系数具有显著的相关关系。说明年龄和体重系数对人是否患高血压有显著影响。相比而言，吸烟这个自变量与因变量血压之间的相关系数较小，仅为0.243，说明他们之间的线性关系不显著。说明吸烟对人是否患高血压不具显著影响。此外年龄与体重系数相关系数为0.621，说明年龄与体重系数之间存在显著性相关关系。 图7-9给出了进入模型和被剔除的变量的信息，从表中我们可以看出，3个自变量都进入模型，说明我们的解释变量都是显著并且是有解释力的。 Variables Entered/Removedb Model Variables Entered Variables Removed Method 1 体重指数, 吸烟, 年龄a . Enter a. All requested variables entered. b. Dependent Variable: 血压 Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .895a .801 .780 6.70636 1.213 a. Predictors: (Constant), 体重指数, 吸烟, 年龄 b. Dependent Variable: 血压 ANOVAb Model Sum of Squares df Mean Square F Sig. 1 Regression 5082.566 3 1694.189 37.669 .000a Residual 1259.309 28 44.975 Total 6341.875 31 a. Predictors: (Constant), 体重指数, 吸烟, 年龄 b. Dependent Variable: 血压 Coefficientsa Model Unstandardized Coefficients Standar