spss讲稿8_1.pptVIP

线性回归的主要步骤 利用样本数据建立回归方程 回归方程的拟和优度检验 回归方程的显著性检验 回归方程系数的显著性检验(多元) 残差分析 预测 一元线性回归分析应用举例 建立企业普通员工数和领导人数的回归方程 写出回归方程 对回归方程进行评价 一元线性回归分析操作 基本操作步骤 (1)菜单选项: Analyze-regression-linear… (2)选择一个变量为因变量进入dependent框 (3)选择一个变量为自变量进入independent框 (4)enter:所选变量全部进入回归方程(默认方法) (5)对样本进行筛选(selection variable) 利用满足一定条件的样本数据进行回归分析 (6)指定作图时各数据点的标志变量(case labels) 线性回归方程的拟和优度检验 (1)目的:检验样本观察点聚集在回归直线周围的密集程度，评价回归方程对样本数据点的拟和程度。 (2)思路: 因为: 因变量取值的变化受两个因素的影响 自变量不同取值的影响、其他因素的影响 线性回归方程的显著性检验 (1)目的:检验自变量与因变量之间的线性关系是否显著,是否可用线性模型来表示. (2)H0: β1 =0 即:回归系数与0无显著差异 (3)利用F检验,构造F统计量: F=平均的回归平方和/平均的剩余平方和~F(1,n-1-1) 如果F值较大，则说明自变量造成的因变量的线性变动远大于随机因素对因变量的影响,自变量与因变量之间的线性关系较显著 (4)计算F统计量的值和相伴概率p (5)判断 p=a:拒绝H0,即:回归系数与0有显著差异，自变量与因变量之间存在显著的线性关系。反之，不能拒绝H0 线性回归方程的显著性检验 t检验与F检验的关系 一元回归中,F检验与t检验一致,即: F=t2,两种检验可以相互替代 F统计量和R2值的关系 如果回归方程的拟合优度高，F统计量就越显著。F统计量越显著，回归方程的拟合优度就会越高。 线性回归方程的残差分析 线性回归方程的残差分析---异方差问题 什么是差异方差 回归模型要求残差序列服从均值为0并具有相同方差的正态分布,即:残差分布幅度不应随自变量或因变量的变化而变化.否则认为出现了异方差现象，使得检验失效 举例理解异方差 收入水平和消费种类 打字时间和出错类型 线性回归方程的残差分析---异方差问题 差异方差诊断 可以通过绘制标准化残差序列和因变量预测值(或每个自变量)的散点图来识别是否存在异方差 绘制标准化残差和预测值的散点图,应随机分布在经过零的一条直线上下 计算绝对残差和预测值的简单相关系数（相关性应较小） 线性回归方程的残差分析---异方差问题 异方差处理 实施方差稳定性变换 残差与yi(预测值)的平方根呈正比：对yi开平方 残差与yi(预测值)呈正比:对yi取对数. 残差与yi(预测值)的平方呈正比,则1/yi 利用加权最小二乘法来代替普通最小二乘法估计回归模型参数. 一般:wi=1/δi2 wi=1/xim 实现方式:WSL按钮,指定加权变量(同SPSS的weight estimation权重估计) 线性回归方程的残差分析---异常点诊断 异常点(casewise或outliers)诊断 如果在Y空间上某一个点与其他点所呈现的趋势不相吻合，这个点就有可能是异常点，或称为野点 利用标准化残差不仅可以知道观察值比预测值大或小,并且还知道在绝对值上它比大多数残差是大还是小.一般标准化残差的绝对值大于2,则可认为对应的样本点为异常值 SPSS操作：statistics选项中的 residual选项 * * 第八章 SPSS的相关分析和 回归分析（二） 回归的含义 英国统计学家F.Galton研究父亲身高和儿子身高的关系时的独特发现（绘制1078个数据对的散点图）. 被预测或被解释的变量称为因变量(被解释变量)，用y表示 用来预测或用来解释因变量的一个或多个变量称为自变量，用x表示 回归分析的类型 涉及一个自变量的回归为一元回归，涉及多个自变量的回归为多元回归 线性回归和非线性回归 回归分析的目的 预测（广告投入和销售额）和控制（FDI与对东道国的环境影响） 回归的含义 回归线的获得方式 回归线的获得方式一:局部平均 回归曲线上的点给出了相应于每一个x(父亲)值的y(儿子)平均数的估计 回归线的获得方式二:拟和函数 使数据拟和于某条曲线; 通过若干参数描述该曲线; 利用已知数据在一定的统计准则下找出参数的估计值(得到回归曲线的近似); 一元线性回归 一元线性回归模型 描述因变量y如何依赖于自变量x和误差项?的方程称为回归模型，可表示为： y = b0 + b1 x + e y 是 x 的线性函数(部分)加上误差项 线性部