第十章：回归分析.docVIP

第十章：回归分析Regression（上） 　　在进行数据分析时往往会看到变量之间存在着一定的相关关系。变量之间相关密切程度的分析，我们称之为相关分析，上一节已讲述了。如果在研究变量之间的相关关系时，把其中的一些因素作为控制变量，而另一些随机变量作为它们的因变量，这种关系分析就称为回归分析。 regression菜单项包括如下内容：linear 线性回归curve estimation 曲线估计binary logistic 二分量逻辑分析 Multinomial Logistic 多项式逻辑分析Ordinal 标称变量分析Probit 概率分析Nonlinear 非线性回归Weight Estimation 加权估计2-Stage Least Squares 最小二乘法 ? 10.1 Linear过程 10.1.1 一元线性回归 10.1.1.1 界面详解 10.1.1.2 输出结果解释 10.1.2 多元线性回归 10.1.2.1 分析实例 10.1.2.2 结果解释 10.2 Curve Estimation过程 10.2.1 界面详解 10.2.2 实例操作 10.3 Binary Logistic过程 10.3.1 界面详解与实例 10.3.2 结果解释 10.3.3 模型的进一步优化与简单诊断 10.3.3.1 模型的进一步优化 10.3.3.2 模型的简单诊断 　 ? §10.1　Linear过程 10.1.1 一元线性回归 一般线性回归分析的基本步骤为： 1、确定回归方程中的自变量和因变量； 2、从搜集到的样本数据出发确定自变量和因变量之间的数学关系式，即建立回归方程； 3、对回归方程进行各种统计检验（回归方程拟合优度检验R2；回归方程的显著性检验F；回归系数显著性检验t；回归方程的残差分析等） 4、利用回归方程进行预测。 　　利用spss进行回归分析时，这四个基本步骤中的第一步由用户给定的。第二步和第三步是由spss自动完成。第四步的预测工作，用户可以利用Compute命令，在相应的算术表达式框中输入回归方程公式，spss将依据公式自动计算出预测结果。 例10.1：请分析在数据集Fat surfactant.sav中变量fat对变量spovl的大小有无影响？ 变量分析：这里spovl是模型中的因变量，根据回归模型的要求，它必须是正态分布的变量才可以，我们可以用直方图来大致看一下，可以看到基本服从正态，因此不再检验其正态性，继续往下做。 10.1.1.1 界面解释 在菜单中选择Regression==liner，系统弹出线性回归对话框如下： Dependent框 用于选入回归分析的应变量。 【Block按钮组 由Previous和Next两个按钮组成，用于将下面Independent框 【Independent框 用于选入回归分析的自变量，一元回归时为一个变量；多元回归时可输入多个变量。 【Method下拉列表 　　用于选择对自变量的选入方法，有Enter（强行进入法）、Stepwise（逐步法）、Remove（强制剔除法）、Backward（向后法）、Forward（向前法）五种。该选项对当前Independent框中的所有变量均有效。其中三种基本方法为：　　Forward（向前法）：该法是变量不断进人回归方程的过程。首先选择与因变量具有最高相关系数的自变量进入方程，并对它进行回归系数显著性检验。然后，在剩余的变量中寻找与因变量偏相关系数最高并通过检验的自变量进人回归方程，并对方程中所有的自变量进行显著性检验。这样一直下去，直到再也没有可进人方程的变量为止。　　向后筛选法（Backward）。该法是变量不断剔除回归方程的过程。首先将所有变量全部引入回归方程。然后，进行回归系数显著性检验，在一个或多个t检验值不显著的变量中，将t值最小的那个变量剔除，然后再重新拟合回归方程，并进行各种检验。如果新方程中所有变量的回归系数的t值都是显著的，则变量筛选过程结束。否则，按照上述方法再剔除最不显著的一个自变量，直到再也没有自变量可剔除为止。　　逐步筛选法（Stepwise）。该法是向前筛选法和向后筛选法的综合。由于向前筛选法是自变量不断进入回归方程的过程，变量一旦进入回归方程就不会再被剔除出去。但是应注意到，随着自变量的逐个引进，由于自变量之间总存在一定程度的相关性（多重共线性），使得某些已经进入回归方程的自变量的回归系数不再显著，这样造成最终的回归方程可能包含一些不显著的自变量。逐步筛选法是在向前筛选法的基础之上，结合向后筛选法，在每个自变量进入方程后，都判断是否存在应剔除出方程的自变量。如果有则将其剔出。因此，逐步筛选法在选择变量的每一个阶段，都考虑了剔除一个不显著自变量的可能。 Selec