vip课件-SPSS与统计分析.ppt

（1）窗口左边框中各变量名的含义是：DEPENDNT表示被解释变量，*ZPRED表示标准化预测值，*ZRESID表示标准化残差，*DRESID表示剔除残差，*ADJPRED表示调整的预测值，*SRESID表示学生化残差，*SDRESID表示剔除学生化残差。 （2）绘制多对变量的散点图，可根据需要在scatter框中定义散点图的纵坐标和横坐标变量。 （3）在Standardized Residual Plots框中选择Histogram选项绘制标准化残差序列的直方图；选择Normal probability plot绘制标准化残差序列的正态分布累计概率图。选择Produce all partial plots选项表示依次绘制被解释变量和各个解释变量的散点图。 4、Save选项，该窗口将回归分析的某些结果以SPSS变量的形式保存到数据编辑窗口中，并可同时生成XML格式的文件，便于分析结果的网络发布。 （1）Predicted Values框中：保存非标准化预测值、标准化预测值、调整的预测值和预测值的均值标准误差。 （2）Distance框中：保存均值或个体预测值95％（默认）置信区间的下限值和上限值。 （3）Residual框中：保存非标准化残差、标准化残差等。 （4）Influence Statistics框中：保存剔除第i个样本后统计量的变化量。 5、WSL选项，采用加权最小二乘法替代普通最小二乘法估计回归参数，并指定一个变量作为权重变量。 合成纤维的强度与其拉伸倍数有关，测得试验数据如表1所示。求合成纤维的强度与拉伸倍数之间是否存在显著的线性相关关系。 * 一元线性回归例题（建议掌握） 序号 拉伸倍数 强度（kg/mm2） 1 2.0 1.6 2 2.5 2.4 3 2.7 2.5 4 3.5 2.7 5 4.0 3.5 6 4.5 4.2 7 5.2 5.0 8 6.3 6.4 9 7.1 6.5 10 8.0 7.3 11 9.0 8.0 12 10.0 8.1 求解 先画散点图 graphs/scatter 基本呈线性 相关关系， 可以进一步 考虑一元线性 回归分析 1 如果不对任何选项进行操作，仅进行自变量、因变量选入， 则给出基本结果，如下 拟合优度：R2=0.972， 说明拟合效果很好 回归方程显著性检验： P值0.001，拒绝原假设，即解释变量（自变量）与被解释变量（因变量）间具有显著的线性关系。 回归系数显著性检验： 自变量对应P值0.001，拒绝原假设，即自变量变量与因变量间具有显著的线性关系。 但常数项检验未通过，以下考虑改进模型（去掉常数项） 模型改进 取消此选项 改进结果 改进结果显示，决定系数明显增大（注：此指标越大越好，但并非为其是论，还有其他指标），回归方程显著检验通过，最终选择方程为 Y=0.893x，可以进一步做预测，方法如下页 预测拉伸倍数为12.5时的强度（求点预测和区间预测） 方法1：自行代入模型运算； 方法2：软件计算， 将自变量拉伸强度12.5，写入自变量的最后一行，如图： 然后，在save中选择预测（点预测和区间预测），如下页图示 预测结果 预测结果在原始数据右侧显示，如图 点预测值 95%预测区间（10.13,12.18） 此例结束 以高校科研研究数据为例，建立回归方程研究，以课题总数为被解释变量，解释变量为投入人年数（X2）、受投入高级职称的人年数（X3）、投入科研事业费（X4）、专著数（X6）、论文数（X7）、获奖数（X8）。 （1）解释变量采用强制进入策略（Enter），并做多重共线性检测。 （2）解释变量采用向后筛选策略让SPSS自动完成解释变量的选择。 （3）解释变量采用逐步筛选策略让SPSS自动完成解释变量的选择。 多元线性回归举例（最好掌握） 多元略微复杂，本例仍采用最简操作（均采用默认选项），结果如下 结果显示： 拟合优度较高，回归方程显著性检验通过，但回归系数显著性检验中，仅投入人年数通过，因此推测可能存在多重共线性，应考虑多重共线性诊断和更换变量选择策略。 多重共线性诊断，statistics/colineary dia.. Pearson简单相关系数用来衡量定距变量间的线性关系。如衡量国民收入和居民储蓄存款、身高和体重、高中成绩和高考成绩等变量间的线性相关关系。 * 计算公式如下。 Pearson简单相关系数计算公式为 * 对Pearson简单相关系数的统计检验是计算t统计量，公式为 t统计量服从n?2个自由度的t分布。 * 例 ? 研究问题 某班级学生数学和化学的期末考试成绩如表6-1所示，现要研究该班学生的数学和化学成绩之间是否具有相关性。 *