[理学]SPSS课件.ppt

3.用最小二乘法求出b和a 普通最小二乘估计:应使每个样本点与回归线上的对应点在垂直方向上的偏差距离的总和最小。 直接的方法是找出 a and b 使得 the sum of squared residuals 最小。 二、回归方程与预测性 = a + b X 必须经过统计检验过程。 A、拟合优度检验： B、回归方程显著性检验： C、回归系数显著性检验： D、残差分析： （一）拟合优度检验 拟合优度检验：检验样本点数据聚集在回归线周围的密集程度，从而评价回归方程对样本数据的代表程度。 拟合优度检验从对被解释变量y取值变化的成因分析入手。Y各观察值之间的差异主要由两方面原因造成：一是由于解释变量x取值的不同造成的；二是由于其他随机因素造成的。 例如，在研究父亲身高和儿子身高的关系时发现，成年儿子身高的差异会受到两个因素的影响：第一父亲身高的影响；第二，及时父亲身高相同，他们成年儿子的身高也不尽相同，还会受到其他随机因素的影响。 Pearson 简单相关系数特点： （1）对称性【x与y的相关系数等同于y与x的相关系数】 （2）是标准化处理后的值，所以无量纲。 （3）对x与y作线性变换后可能会改变它们之间的相关系数的符号（相关的方向），但不会改变相关系数的值。 （4）不适用度量非线性关系变量间的相关系数 计算Pearson相关系数的操作 Analyze---Correlate---Bivariate 把参加计算相关系数的变量选到Variables框。 在Correlation Coefficients 框中选择计算哪种相关系数， 在Test of Significance框中选择输出相关系数检验的双尾（Two Tailed）或单尾（One Tailed）概率P值。 选中Flag significance correlations表示在输出统计检验的概率P值外，还输出星号，表明变量间相关性是否显著。不选中则不输出星号。 在Option按钮中的 Statistics选项中，选中 Cross-product deviations and covariances表示输出各变量的离差平方和、样本方差、协方差等。 “申请课题数”与“投入科研事业费”的相关性及推断也可以在我们以前介绍的交互分类表中进行。 相关分析应用举例 根据31个省市自治区部分高校有关社科研究方面的数据，研究立项课题数（当年）与投入的具有高级职称的人年数（上年），发表的论文数（上年）之间是否具有较强的线性关系。 该课题数、投入高级职称的人年数以及论文之间图表明，立项都有较强的线性关系，且投入高级职称的人年数以及论文数之间的线性关系最强。因此粗略地看，立项课题数将会受到这些因素的影响。下面利用计算相关系数的方法对它们之间的关系作进一步分析。 由上表可知，立项课题总数与投入高级职称的人年数间的简单相关系数为0.994，与论文间的相关系数为0.887，它们的相关系数检验的概率P值都近似为0.因此，当显著性水平为0.05或0.01时，都应拒绝相关系数检验的零假设，认为两总体存在线性关系。表中相关系数旁边的两个星号(﹡﹡)即表示显著性水平为0.01时可拒绝零假设。一个星号(﹡)表示显著性水平为0.05时可拒绝零假设。因此，两个星号比一个星号拒绝零假设犯错误的可能性更小。总之，立项课题总数将受投入高级职称的人年数和论文数的正向影响。 三、偏相关分析 在多数情况下，单纯利用相关系数来评价变量之间的相关性显然是不准确的，需要剔除其他因素的影响，再计算变量之间的相关系数。这个过程就是偏相关分析，又叫净相关分析。控制变量个数为一个时称为一阶偏相关。两个时为二阶偏相关；控制变量个数为零个时称为零阶偏相关，也就是相关系数。 研究商品需求量和价格、消费者收入之间的线性关系。 利用偏相关系数进行变量之间的净相关关系分析通常需要完成以下两大步骤。 第一，计算样本的偏相关系数， 第二，对样本来自的两总体是否存在显著的净相关进行推断。 偏相关分析的检验统计量为t统计量，它的数学定义为： r为偏相关系数，n为样本数，q为阶数，t统计量服从n-q-2个自由度的t分布。 偏相关分析的基本操作 Analyze---correlate---partial 根据31个省市自治区部分高校有关社科研究方面的数据，控制投入的具有高级职称的人年数（上年），分析研究立项课题数（当年）与发表的论文数（上年）之间是否具有较强的线性关系。 把参与分析的变量选到Variables框。 选择一个或多个控制变量到Controlling for 框中; 在Test of Significance框中选择输出偏相关检验的双尾（Two Tailed）