SPSS第八章SPSS的相关分析和回归分析.ppt

8.4.3 线性回归模型参数估计 回归模型参数一般用最小二乘估计； 思想是要求用模型拟合出来响应变量的值和观测到的响应变量的值的差异最小，这种“差异”一般是用差的平方和来描述； 具体的估计公式不要求掌握； 8.4.4 回归方程的统计检验 拟合优度的检验：要检验的是数据在回归直线周围的分散程度，也就是直线能描述多少数据的信息； 回归方程显著性检验：检验的是响应变量的变化到底是有自变量引起的，还是随机因素引起的； 回归系数显著性检验：检验的是某个自变量对于响应变量来说是不是重要的； 8.4.5 多元回归分析中的其他问题 筛选变量的问题： 变量共线性的问题； 8.4.6 线性回归分析的基本操作 Analyze菜单 Regression Linear 如下窗口 1. 8.3.7 基本操作（续） Method: 8.4.8 应用举例 研究人文科学研究中立项课题数受那些因素影响，利用线性回归方法分析31个省市的数据； 被解释变量是立项课题数，解释变量有投入人年数、投入高级职称人年数、投入科研事业费、专著数、论文数、获奖数 表格说明 校正的回归平方系数为0.924，大于我们要求的0.8； 说明线性回归模型确实是恰当的，因为被解释变量的变化信息中有92.4％被解释变量的变化说明，效果非常好； 表格说明 从方差分析的结果来看，模型是显著的，因为F值很大，而p值远小于显著性水平0.05，故模型是显著的； 说明被解释变量和解释变量之间确实存在线性的关系； 表格说明 但是从系数的显著性检验来看，效果并不是很理想，从结果上来看，除了投入人年数这个变量是显著的以外，其他变量都是不显著的； 从相关分析中我们得知，投入高职称人年数和课题数是密切相关的，而现在结果却是该变量不显著，唯一的解释就是可能存在共线性问题了； 表格说明 从上面表格中，我们可以进行共线性检测，从结果看，第七个变量能够解释投入人年数方差的84％，解释投入高级职称人年数的98％，还能解释专著数的44％，因此，变量有较强的共线性； 条件数来看，第5、6、7个条件指数都大于10，说明确实存在共线性； 解决的方法是删除变量，进行逐步回归； 表格说明 从上面表格可知，通过六步完成回归方程的建立，最终模型为第六个模型， 虽然拟合优度下降了，但是重点我们考虑的变量对方程的贡献，拟合优度不是唯一的指标，最终保留的变量是投入人年数，其他变量对方程的贡献都不是显著的，因而被逐渐剔除了 制作人：夏怡凡 第8章 SPSS的相关分析和回归分析 主要内容： 概述主要介绍相关分析和回归分析的思想和用途 相关分析主要是分析变量之间的关系以及强弱程度； 偏相关分析介绍是排除了相关分析中其他隐形因素的影响后的变量的净相关关系； 线性回归分析介绍是建立变量间的线性关系 二项回归介绍其他的一些回归方法； 8.1 相关分析和回归分析概述 相关分析和回归分析都是分析事物之间关系的数量分析方法； 事物之间的关系大概可以分为函数关系和统计关系两类，而相关分析和回归分析是用来分析统计关系的数量方法； 8.1 相关分析和回归分析概述 函数关系是一一对应关系，也可以说是一种确定性的关系； 特点之一是一个变量值有另一个变量的值确定； 这种关系很多； 另外一种关系是统计关系； 不是一一对应，而是存在随机的不确定性； 但是两个变量确实存在关系； 8.1 概述 函数关系比较容易确定； 统计关系不是那么直接，它存在强弱、程度的差异； 但是这种关系又是普遍存在的，甚至很多函数关系不能描述的，统计关系都能描述； 8.2 相关分析 相关分析可以通过图形和数值两种方式，有效的揭示事物之间统计关系的强弱程度； 方式有以下几种： 散点图：特点是直观； 相关函数：特点是精确； 8.2.1 散点图 绘制散点图是非常常用而直观的方法； 将数据用点的形式绘在直角平面图上； 通过看图可以可以看出变量间的统计关系以及关系的强弱； 8.2.1.2 绘制散点图的基本操作 Graphs菜单 Scatter 选择散点图 类型 如下窗口 1. 8.2.1.2 绘制散点图的基本操作 Simple表示简单散点图； 指定纵轴变量，选入Y Axis框中； 指定横轴变量，选入X Axis框中； 把可作为分组的变量选入Set Markers by框中； 把标记变量选入Label by框中； 8.2.1.2 绘制散点图的基本操作 重叠散点图，多对变量的统计关系散点图； 两个变量为一组， 把已标记的变量选入Label by框中 矩阵散点图 三维散点图； 8.2.2 相关系数 散点图直观，但是不精确； 样本相关函数以数值的方式精确反映两变量相关关系的强弱； 相关函数特点和种类； 介于正负1之间； 大于0表示正相关，小于0表示负相关； 绝对值大于0.8表示有较强线性关系，故国绝对值小于