SPSS基础 教学课件 第八章 回归分析.ppt

第八章 回归分析 宁夏大学教科院 田 江 第一节 线性回归分析 §8.1.1 一元与多元线性回归分析的基本概念 （一）一元线性回归分析 1、一元线性回归分析的概念 一元线性回归顾名思义只有一个自变量与一个因变量，，它是用于分析一个自变量与一个因变量之间线性关系的数学方程（也称直线回归方程或回归模型）。其一般形式为： 其中X是自变量， 是因变量Y的估计值，这个方程在平面直角坐标上表示一条直线，我们称之为回归线。 回归分析的主要目的是建立回归方程，借以给定的X值来估计Y值。由于两变量关系是不确定的回归关系，所以相应的散点图上的各点不都在计算出的回归线上，回归线只是一条最能代表散点图分布趋势的直线，是对散点的一条最优拟合线。 第一节 线性回归分析 2、一元回归方程的确定与检验 一般情况下，根据原始数据，我们总能求出待定系数a和b以确定回归方程，回归方程通常用于预测和估计的，该方程如何在一定的精度保证下胜任工作，就需要对回归方程进行检验。理论上要分别对方程的有效性、回归系数b的显著性、回归模型中的误差项的独立性进行检验，前两项在一元的情况下均可用变量XY相关系数的相关程度检验代替。 3、判定线性回归直线的拟合优度的好坏 R称为复相关系数，反映的是若干个自变量和一个因变量之间的相关程度，通常在一元的情况下表示为r。利用最小平方法计算出的回归模型 确定了X与Y的具体变动关系，但它与实际值还有一定的偏差，回归模型估计、预测的程度如何还需要进一步考查，因此需要对回归直线的拟合优度加以测定，判定系数R2就是测定回归直线拟合优度的一个重要指标。 第一节 线性回归分析 判定系数等于回归平方和在总平方和中所占的比率，即R2体现了回归模型所能解释的因变量变化的百分比。如果R2＝0.86，则说明变量y的变异中有86％的由变量x引起的。当R2＝1时，表示所有的观测点全部落在回归直线上。当R2＝0时，表示自变量与因变量无线性关系。 （二）多元线性回归 1、多元线性回归的概念 多元回归是指有两个或两个以上自变量的线性回归。影响事物变化的因素往往不只一个，事物还需要受到其他因素的影响，为了研究这种复杂的依存关系，使预测和控制更加精确，需要建立多元线性回归模型。多元线性回归要比一元线性回归计算复杂的多，回归模型的一般形式为： 第一节 线性回归分析 其中，X1X2…Xn表示影响事物的多个因素（自变量）， 表示因变量的估计值。方程中a为常数项，b1b2…bn是对X1X2…Xn的回归系数，表示假设在其他所有自变量不变的情况下，某一自变量变化引起因变量变化的比率。 2、多元线性回归分析中的参数 （1）判定系数与经调整的判定系数 复相关系数R的平方称为判定系数，与一元回归方程相同，在多元回归中也使用判定系数来解释回归模型中自变量的变异在因变量变异中所占的比率。 但判定系数的值随着进入回归方程的自变量的个数（或样本容量n的大小）的增加而增大。因此，为了消除自变量的个数以及样本容量的大小对判定系数的影响，引进了经调整的判定系数（Adjusted R Square）。 第一节 线性回归分析 （2）多元线性回归分析的检验 在建立了多元回归方程以后，需要进行显著性检验，以确认所建立的数学模型是否很好地拟合了原始数据，即该回归方程是否有效。 ①方程分析 目的：确定整体上所建立的多元回归方程的有效性。多元回归方程采用方程分析方法对回归方程进行检验，它是对整个回归方程的显著性检验，使用统计量F进行检验。 ②回归系数与常数项的检验 目的：检验各个变量作用的显著性（或各个回归系数的贡献）。检验时假设各自变量回归系数为0，常数项为0。它使用的统计量是t。 第一节 线性回归分析 ③自变量的筛选 目的：建立一个简化的、高效的回归方程。选择合适的变量来建立回归方程，比较复杂，因为影响变量Y的因素相互之间存在着错综复杂的关系，使用一种方法从众多的影响Y的因素中挑出对Y贡献最大的变量，在它们和Y之间建立“最优”回归方程。 §8.1.2 实例分析 【例8-1】使用“ch3多变量入门练习数据”建立以“体重”预测“身高”的一元线性回归方程，并进行综合分析。 第一节 线性回归分析 第一节 线性回归分析 第一节 线性回归分析 第一节 线性回归分析 第一节 线性回归分析 第一节 线性回归分析 回归方程： 体重的增量估计值＝-17.357+0.222×进食量 【例8-2】在“ch5广州地区15名学生高考成绩”的数据文件中，建立以“物理‘为因变量，其他课程为自变量的回归方程，并对方程进行优化，得出这三门学科中哪门学科对物理的影