[计算机软件及应用]SPSS第十讲 线性回归分析.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 步骤32：选择自变量“虚拟性别”,“edu1”,“edu2”，“edu3”和年龄 点击“OK”，结果一：确定系数表 结果一告诉我们什么？ 表中调整后的R平方＝0.044，表示整个方程能够解释收入变化的4.4％。 与例1中的确定系数相比，提高了1.1个百分点。 结果二：方差分析表 结果二告诉我们什么？ 表中显著度（Sig）0.001，表明整个方程是显著的，也就是说自变量与因变量之间具有显著的线性关系。 但这并不意味着每个自变量与因变量都具有显著的线性关系，具体的结论还需要看后面对每个自变量的回归系数的检验结果。 结果三：回归系数表 结果三告诉我们什么？ 表中B栏的非标准化回归系数表明： 第一，在控制了其他变量之后，男性比女性的月收入高约137元； 第二，小学、初中和高中程度的受访者的月收入，与大专及以上教育程度的受访者月收入相比，分别低了约112元、80元和66元； 第三，年龄每增加一年，月收入就降低约2元 结果三告诉我们什么？ 由此我们可以得到回归方程式： y＝534.493＋137.048×性别－112.371×小学－79.864×初中－65.704×高中－1.749×年龄 结果三告诉我们什么？ 表中Beta栏的标准化回归系数的绝对值可以用于比较各个自变量之间对因变量的贡献大小： 性别(0.184) 小学(0.117) 初中(0.103) 高中(0.082) 年龄(0.061) 结果三告诉我们什么？ Sig栏中每个回归系数的显著度水平，表明各自所对应的那个自变量与因变量之间是否存在显著的线性相关关系 从结果看，所有回归系数的显著度（即P值）都小于0.05，由此，我们可以认为性别、教育和年龄都会影响受访者的月收入。 练习题 利用spss自带的1991的美国GSS数据，进行以下分析： 用一元线性回归分析种族对职业声望的影响 用一元线性回归分析教育对职业声望的影响 用多元线性回归分析种族、性别、年龄和教育对职业声望的影响 * * * * * * * * * * * * * * * * * * * * * 步骤1：点击“Recode”，弹出对话框 步骤2：将四分类的教育变量拖入中间空白框 步骤3：在Name栏中填写第一个虚拟变量edu1 步骤4：在Label栏中填写变量名标签－小学 步骤5：点击“Change”按钮 步骤6：点击“Old and New Values”按钮 步骤7：将原变量中表示小学的“1”设为新变量的“1” 步骤8：将原变量的其余取值都设为“0” 步骤9：点击“Continue”，回到主对话框 步骤10：点击“OK”，生成表示小学的虚拟变量edu1 步骤11：重新点击“Recode”，弹出对话框 步骤12：将四分类的教育变量拖入中间空白框 步骤13：在Name栏中填写第二个虚拟变量edu2 步骤14：在Label栏中填写变量名标签－初中 步骤15：点击“Change”按钮 步骤16：点击“Old and New Values”按钮 步骤17：将原变量中代表初中的“2”设为新变量的“1” 步骤18：将原变量的其余取值都设为“0” 步骤19：点击“Continue”，回到主对话框 步骤20：点击“OK”，生成表示初中的虚拟变量edu2 步骤21：重新点击“Recode”，弹出对话框 步骤22：将四分类的教育变量拖入中间空白框 步骤23：在Name栏中填写第二个虚拟变量edu3 步骤24：在Label栏中填写变量名标签－高中 步骤25：点击“Change”按钮 步骤26：点击“Old and New Values”按钮 步骤27：将原变量中代表高中的“3”设为新变量的“1” 步骤28：将原变量的其余取值都设为“0” 步骤29：点击“Continue”，回到主对话框 步骤30：点击“OK”，生成表示高中的虚拟变量edu3 步骤31：点击“Regression”中的“Linear”，弹出对话框 步骤32：选择因变量“月收入” 第十讲 线性回归分析 用变量的观测数据拟合所关注的变量和影响其变化的变量之间的线性关系式 检验影响变量的显著程度 比较影响变量的作用大小 用一个或多个变量的变化解释和预测另一个变量的变化 线性回归的作用 一元线性回归，针对一个影响变量（自变量）的回归分析 多元线性回归，针对多个影响变量（自变量）的回归分析 线性回归的类型 因变量：定距变量 自变量：定类、定序变量或定距变量，对于分类变量需要转换成虚拟变量 变量的测量尺度 回归方程 一元线性回归 Y＝A＋BX＋ε 多