实验三一元线性回归在SPSS中实现.docVIP

实验三：一元线性回归在SPSS中的实现 ★练习题： 合金钢的强度与钢材中碳的含量有密切关系，为了冶炼出符合要求强度的钢，常常通过控制钢水中的碳含量来达到目的，因此需要了解与之间的关系，下面是10组不同的碳含量（％）对应的强度（kg/m）数据。 0.03 0.04 0.05 0.07 0.09 0.1 0.12 0.15 0.17 0.2 40.5 39.5 41 41.5 43 42 45 47.5 53 56 输入数据 实验步骤： 步骤1：在菜单中选择Regression==liner，系统弹出线性回归对话框如下： 图1 Linear Regression对话框 步骤2：单击Statistics按钮将打开Linear Regression: Statistics对话框，用来选择输出那些统计量。如图2所示。 图2 Linear Regression: Statistics对话框 步骤3：单击所示Linear Regression对话框中的Plots按钮，将打开如图3所示Linear Regression：Plot对话框。该对话框用来设置对残差序列作图形分析，从而检验残差序列的正态性、随机性和是否存在异方差现象。 图3 Linear Regression:Plot对话框 步骤4：单击如图1所示Linear Regression对话框中的Save按钮，将打开如图4所示Linear Regression：Save对话框。该对话框用来设置将回归分析的结果保存到SPSS数据编辑窗口的变量中，还是某个SPSS的数据文件中。 图4 Linear Regression:Save对话框 步骤5：单击如图1所示Linear Regression对话框中的options命令，将打开如图5所示的对话框。在该对话框中可以对多元线性回归分析中与自变量的筛选有关的参数进行设定，同时也可设置缺省值采用不同的处理方法。 图5 Linear Regression:Options对话框 结果和讨论： 输出结果文件中的第一个表格。 输入／移去的变量a 模型 输入的变量 移去的变量 方法 1 xb . 输入 a. 因变量: y b. 已输入所有请求的变量。 a All requested variables entered. b Dependent Variable: 该表格输出的是被引入或从回归方程中被踢除的各变量。该部分结果说明对编号为1的模型进行线性回归分析时所采用的方法是全部引入法：Enter 输出结果文件中的第二个表格。 模型汇总 模型 R R 方 调整 R 方 标准 估计的误差 1 .950a .903 .891 1.85366 a. 预测变量: (常量), x。 a Predictors: (Constant), 该表格输出的是常用统计量。 从这部分结果看出相关系数r=0.950,判定系数r*r=0.903，调整的判定系数,回归估计的标准误差W=1.85366。说明样本回归方程的代表性强。 (3)输出结果文件中的第三个表格 Anovaa 模型 平方和 df 均方 F Sig. 1 回归 255.412 1 255.412 74.333 .000b 残差 27.488 8 3.436 总计 282.900 9 a. 因变量: y b. 预测变量: (常量), x。 a Predictors: (Constant), b Dependent Variable: 第三个表格是方差分析表。 从这部分结果看出：统计量F=74.333；伴随概率。说明自变量与因变量之间的确有线性回归关系。此外，Sum of Squares 一栏中分别代表回归平方和（255.412）、残差平方和（27.488）以及总平方和（282.900），Df为自由度。 输出的结果文件中第四个表格如下： 系数a 模型 非标准化系数 标准系数 t Sig. B 标准 误差 试用版 1 (常量) 35.451 1.243 28.522 .000 x 92.641 10.745 .950 8.622 .000 a. 因变量: y a Dependent Variable: 第四个表格是回归系数分析。其中，Unstandardized Coefficients 为非标准化系数，Standardized Coefficients为标准化系数，I为回归系数检验统计量，Sig为伴随概率值。 结论：从表格中可以看出估计值及其检验结果，常数项，回归系数，回归系数统计量，相伴概率值。说明回归系数与0有显著差别，该回归方程有意义：