《SPSS数据分析教程》 ——回归分析PPT.ppt

《SPSS数据分析教程》 ——回归分析 本章学习目标 掌握线性回归分析的基本概念 掌握线性回归的前提条件并能进行验证 掌握线性回归分析结果的解释 掌握多重共线性的判别和处理 能用线性回归模型进行预测 回归分析的基本概念 什么是回归分析 回归分析是研究变量之间相关关系的一种统计方法 如果两个变量之间的Pearson相关系数绝对值较大，从散点图看出变量间线性关系显著，那么下一步就是应用回归分析的方法来找出变量之间的线性关系。 例如，房屋的价格和房屋的面积，地理位置，房龄和房间的个数都有关系。又比如，香烟的销量和许多地理和社会经济因素有关，像消费者的年龄，教育，收入，香烟的价格等。 回归术语 对于有一个响应变量的线性回归，当p=1时，我们称为简单线性回归(Simple Linear Regression，或称为一元线性回归)，当 p2 时我们称为多元线性回归(Multiple Linear Regression)。 回归和相关分析 回归分析是在相关分析的基础上，确定了变量之间的相互影响关系之后，准确的确定出这种关系的数量方法。因此，一般情况下，相关分析要先于回归分析进行，确定出变量间的关系是线性还是非线性，然后应用相关的回归分析方法。在应用回归分析之前，散点图分析是常用的探索变量之间相关性的方法。 应用回归分析的步骤 步骤1：写出研究的问题和分析目标 步骤2：选择潜在相关的变量 步骤3：收集数据 步骤4：选择合适的拟合模型 步骤5：模型求解 步骤6：模型验证和评价 步骤7：应用模型解决研究问题 简单线性回归 简单线性回归的形式为： Y = ˉ0 +ˉ1 X +2 其中变量X为预测变量，它是可以观测和控制的；Y为因变量或响应变量，它为随机变量； 2为随机误差。 通常假设2 ～N(0,?2)，且假设与X无关。 回归模型的主要问题 进行一元线性回归主要讨论如下问题： (1) 利用样本数据对参数ˉ0, ˉ1和?2，和进行点估计，得到经验回归方程 (2) 检验模型的拟合程度，验证Y与X之间的线性相关的确存在，而不是由于抽样的随机性导致的。 (3) 利用求得的经验回归方程，通过X对Y进行预测或控制。 简单回归方程的求解 我们希望根据观测值估计出简单回归方程中的待定系数ˉ0和ˉ1，它们使得回归方程对应的响应变量的误差达到最小，该方法即为最小二乘法。 也就是求解ˉ0和ˉ1，使得 达到最小。 把得到的解记为 ,则回归方程为 或者 预测误差为 SPSS在输出回归系数的估计值的同时还会给出回归系数估计值的标准误差值；SPSS 还可以给出预测值和各种预测误差 回归方程拟合程度检验 回归方程的检验也就是验证两个变量之间的线性关系的确在统计上显著。一般进行如下的假设检验 ，它包括 1）常数项的t检验 H0: ˉ0 = 0 常数项的估计值的标准误差为 检验统计量为： 回归系数显著性检验 2）回归系数的显著性检验 H0: ˉ1 =0 检验统计量为： 回归的三个平方和 我们把拟合值和真实值的差值的平方和称为残差平方和，记为SSE；把由于采用拟合回归直线后预测值较采用响应变量均值提高的部分的平方和称为回归平方和，记为SSR；真实值和响应变量均值的平方和称为总平方和，记为SST。 决定系数R2 平方和定义 三者之间的关系为： SST = SSR +SSE R^2 = SSR /SST R2的解释 决定系数R2的大小反映了回归方程能够解释的响应变量总的变差的比例，其值越大，回归方程的拟合程度越高。 一般情况下，随着预测变量个数的增大，决定系数的值也变大，因此在多重回归分析中，需要反映回归方程中预测变量的个数，即引入了调整的决定系数。 回归模型的显著性的F检验 总平方和SST反映因变量Y的波动程度或者不确定性，在建立了Y对X的回归方程后，总平方和SST分解成回归平方和SSR与参差平方和SSE两部分。其中SSR是由回归方程确定的，SSE是不能由自变量X解释的波动，是由X之外的未加控制的因素引起的。这样，SST中能够由自变量解释的部分为SSR，不能由自变量解释的部分为SSE。这样回归平方和越大，回归的效果越好，据此构造F检验统计量 SPSS在回归输出结果的ANOVA表中给出SSR，SSE，SST和F统计量的取值，同时给出F值的显著性值（即p值）。 用回归方程预测 在一定范围内，对任意给定的预测变量取值，可以利用求得的拟合回归方程进行预测。其预测值为： SPSS可以提供标准化的预测值和调整的预测值 简单线性回归举例 一家计算机服务公司需要了解其用电话进行客户服务修复的计算机零部件的个数和其电话用的时间的关系。经过相关