相关分析和回归分析SPSSPPT.ppt

线性回归分析的其他操作 1、Statistics按钮，出现的窗口可供用户选择更多的输出统计量。 （1）Estimates：SPSS默认输出项，输出与回归系数相关的统计量。包括回归系数（偏回归系数）、回归系数标准误差、标准化回归系数、回归系数显著性检验的t统计量和概率p值，各解释变量的容忍度。 （2）Confidence Intervals：输出每个非标准化回归系数95％的置信区间。 （3）Descriptive：输出各解释变量和被解释变量的均值、标准差、相关系数矩阵及单侧检验概率p值。 （4）Model fit：SPSS默认输出项，输出判定系数、调整的判定系数、回归方程的标准误差、回归方程显著F检验的方程分析表。 （5）R squared change：输出每个解释变量进入方程后引起的判定系数的变化量和F值的变化量。 （6）Part and partial correlation：输出方程中各解释变量与被解释变量之间的简单相关、偏相关系数。 （7）Covariance matrix：输出方程中各解释变量间的相关系数、协方差以及各回归系数的方差。 （8）Collinearity Diagnostics：多重共线性分析，输出各个解释变量的容忍度、方差膨胀因子、特征值、条件指标、方差比例等。 （9）在Residual框中：Durbin-waston表示输出DW检验值；Casewise Diagnostic表示输出标准化残差绝对值大于等于3（SPSS默认值）的样本数据的相关信息，包括预测值、残差、杠杆值等。 2、Options选项，出现的窗口可供用户设置多元线性回归分析中解释变量筛选的标准以及缺失值的处理方式。 3、Plot选项，出现的窗口用于对残差序列的分析。 应用举例 固体垃圾排放量与土地种类的关系 p111 第三节 多元线性回归 多元线性回归模型 多元线性回归的应用及注意事项 回归参数的估计 回归方程的显著性检验 回归系数的显著性检验 多元线性回归的预测 多元线性回归模型（概念要点） 一个因变量与两个及两个以上自变量之间的回归 描述因变量 y 如何依赖于自变量 x1 ， x2 ，…， xp 和误差项 ? 的方程称为多元线性回归模型。 涉及 p 个自变量的多元线性回归模型可表示为 b0 ，b1，b2 ，?，bp是参数 ? 是被称为误差项的随机变量 y 是x1,，x2 ，? ，xp 的线性函数加上误差项? ? 说明了包含在y里面但不能被p个自变量的线 性关系所解释的变异性 多元线性回归模型（基本假定） 自变量 x1，x2，…，xp是确定性变量，不是随机变量。 随机误差项ε的期望值为0，且方差σ2 都相同。 误差项ε是一个服从正态分布的随机变量，且相互独立。 多元线性回归方程（概念要点） 描述 y 的平均值或期望值如何依赖于 x， x1 ，…，xp的方程称为多元线性回归方程 多元线性回归方程的形式为 E( y ) = ?0+ ?1 x1 + ?2 x2 +…+ ?p xp b1，b2，?，bp称为偏回归系数 bi 表示假定其他变量不变，当 xi 每变动一个单位时，y 的平均平均变动值 多元线性回归的应用及其注意事项 应用 影响因素分析，控制混杂因素 预测：由自变量值推出应变量Y的值 控制：指定应变量Y的值查看自变量的改变量 应用的注意事项 （1）自变量为连续型变量 ：必要时作变换 （2）自变量为有序变量：依次赋值，如疗效好中差，可分别赋值3、2、1 （3）自变量为二分类：如令男＝1，女＝0 多元线性回归的应用及其注意事项 多元线性回归的应用及其注意事项 注意事项 多重共线性分析 多重共线性是指解释变量之间存在线性相关关系的现象。 容忍度的取值范围在0-1之间，越接近0表示多重共线性越强，越接近1表示多重共线性越弱。 方程的决定系数很高，且Y与各自变量的相关系数也很高，但自变量的回归系数不显著 两个自变量情形时，自变量之间的相关系数很高 多个自变量时，某一自变量可以被其他自变量线性表出 整个方程决定系数R2高，但每一自变量的偏确定系数很小 多重共线性的识别 多重共线性的解决办法 解决共线性的主要方法： 筛选自变量，去掉与Y相关程度低，而与其他自变量高度相关的变量 去掉可以被其余自变量线性表出的变量 增加样本规模 采用新的样本数据 对于两个人关系，相关关系只能知道他们是恋人关系，至于他们谁是主导者，谁说话算数，谁是跟随者，一个打个喷嚏，另一个会有什么反应，相关就不能胜任，而回归分析则能很好的解决这个问题 无论回归还是相关, 在做因果关系的时候都应该特别注意, 并不是每一个显著的回归因子或者较高的相关指数都意味着因果关系, 有可能这些因素都是受第三,第四因素制约,