清华时立文spss第7章.ppt

第7章 回 归 分 析 回归分析是一种应用广泛的统计分析方法，在金融、经济、医学等领域都已成功地应用。 回归分析(Regression)是研究一个因变量或多个因变量(自变量)与一个自变量(因变量)之间是否存在某种线性关系或非线性关系的一种统计学分析方法。 变量之间的联系可以分为两类：一类是确定性的，另一类是非确定性的。 回归分析和相关分析虽然都是研究两个或两个以上变量之间的关系，但两者既有区别又有联系。区别主要是模型的假设以及研究的目的有所不同。 相关分析已经在上一章中进行过详细讲解，本章主要介绍回归分析的基本原理和操作方法。 在SPSS 19.0 for Win7中，相关分析通过“回归”过程来实现，该模块主要包括以下几个命令：自动线性建模；线性，线性回归分析；曲线估计，曲线回归分析；二元 Logistic，二元logistic回归分析；多项Logistic 回归，多维Logistic回归分析；有序回归，有序回归分析；Probit，概率单位回归分析；非线性回归，非线性回归分析；权重估计，加权估计分析；两阶最小二乘法，二阶最小二乘回归分析；最佳尺度。 7.1 回归分析的统计检验 利用最小二乘法总能够计算出线性回归模型中的参数值，但由此确定的线性回归方程不能立即用于对实际问题的分析，还必须对回归方程的线性关系进行各种统计检验，包括回归方程的显著性检验、回归系数的显著性检验、残差分析等。 线性回归方程显著性检验的零假设为H0：b=0，即检验回归系数是否为零。如果为零，则说明被解释变量和解释变量之间不具有线性关系，此时回归方程没有意义。线性回归方程不能解释被解释变量和解释变量之间的关系。 7.1.1 回归方程的显著性检验 回归方程的显著性检验正是要检验被解释变量和解释变量与所有解释变量之间的线性关系是否显著，用线性回归方程来描述它们之间的关系是否恰当。回归方程显著性检验的基本出发点和拟合优度检验非常相似。 回归方程显著性检验所构造的检验统计量正是基于这种思想而建立的。 采用F统计量作为检验统计量，其数学定义为： 多元线性回归的显著性检验采用F统计量，其数学定义为： 7.1.2 回归系数的显著性检验 回归系数的显著性检验是围绕回归系数(或偏回归系数)估计值的抽样分布展开的，由此构造服从某种理论分布的检验统计量，并进行检验。 一元线性回归方程显著性检验的原假设为?1=0，即回归系数与零无显著性差别。当回归系数为零时，不论x取值如何变化都不会引起y的变化，x无法解释y的变化，二者之间不存在线性关系。 在一元线性回归模型中，回归系数估计值的抽样分布服从： 于是当原假设成立时，可构造T统计量为： 7.1.2 回归系数的显著性检验 多元线性回归方程的回归系数显著性检验的原假设为?i=0，即第i个偏回归系数与零无显著性差异。当回归系数为零时，不论xi取值如何变化都不会引起y的变化，xi都无法解释y的变化，二者之间不存在线性关系。 在多元线性回归模型中，偏回归系数估计值的抽样分布服从： 在原假设成立的前提下，可构造T检验统计量为： 7.1.3 残差分析 残差分析是回归方程检验中的重要组成部分，其出发点是：如果回归方程能够较好地解释变量的特征与变化规律，那么残差序列中应不包含明显的规律性和趋势性。残差分析正是基于这种考虑并围绕对其数学定义式的检验展开的，主要任务大致可归纳为：分析残差是否服从均值为零的正态分布，分析残差是否为等方差的正态分布，分析残差序列是否独立，借助残差探测样本中的异常值等。图形分析和数值分析是残差分析的有效工具。 所谓残差，是指由回归方程计算所得的预测值与实际样本值之间的差距，定义为： 7.1.3 残差分析 残差图有多种形式，常用的有以方程的自变量为横坐标，以残差?i为纵坐标，将每一个自变量所对应的残差都画在平面上所形成的图形。 残差序列的独立性也是回归模型所要求的，残差序列的前期和后期数值之间不应存在相关关系，即不存在自相关。 残差分析的独立性分析可以通过下面3种方式来实现。 (1) 绘制残差序列的序列图 (2) 计算残差的自相关系数 (3) DW(Durbin-Watson)检验 7.2 线 性 回 归 回归分析是研究一个因变量或多个因变量与一个自变量之间是否存在某种线性关系或非线性关系的一种统计学分析方法。如果参与回归分析的自变量只有一个，就是线性回归分析，也称为一元线性回归分析，得到的结果称为直线回归方程；如果参与回归分析的变量有多个，则是多元线性回归分析。 7.2.1 线性回归分析的原理 1．简单介绍 2．回归分析的一般步骤 (1) 确定回归方程中的解释变量和被解释变量 (2) 确定回归模型 (3) 建立回归方程 (4) 对回归方程进行各种检验 (5) 利用回归方程进行预测 7.2.2 线性回归