第八章SPSS相关分析与回归分析PPT.ppt

一元线性回归方程的检验 (4)计算t统计量的值和相伴概率p (5)判断: 相伴概率=a:拒绝H0,即:回归系数与0有显著差异，自变量与因变量之间存在显著的线性关系,能够较好的解释说明因变量的变化.反之，不能拒绝H0 (6)回归系数的区间估计 一元线性回归方程的检验 (四)回归方程的显著性检验：F检验 (1)目的:检验自变量与因变量之间的线性关系是否显著,是否可用线性模型来表示. (2)H0: β =0 即:回归系数与0无显著差异 (3)利用F检验,构造F统计量: F=平均的回归平方和/平均的剩余平方和~F(1,n-1-1) 如果F值较大，则说明自变量造成的因变量的线性变动远大于随机因素对因变量的影响,自变量于因变量之间的线性关系较显著 (4)计算F统计量的值和相伴概率p (5)判断 p=a:拒绝H0,即:回归系数与0有显著差异，自变量与因变量之间存在显著的线性关系。反之，不能拒绝H0 一元线性回归方程的检验 (五)t检验与F检验的关系 一元回归中,F检验与t检验一致,即: F=t2,两种检验可以相互替代 (六)F统计量和R2值的关系 如果回归方程的拟合优度高，F统计量就越显著。F统计量越显著，回归方程的拟合优度就会越高。 线性回归方程的残差分析ε~N( 0 ,σ2 ) 且相互独立 (一)残差序列的正态性检验: 绘制标准化残差的直方图或累计概率图 (二)残差序列的随机性检验 绘制残差和预测值的散点图,应随机分布在经过零的一条直线上下 (三)残差序列等方差性检验，可检验残差序列绝对值与x的等级相关系数 随机、等方差、独立 随机、异方差、独立 非独立 线性回归方程的残差分析 (四)残差序列独立性检验: 残差序列是否存在后期值与前期值相关的现象,利用D.W(Durbin-Watson)检验 d-w=0:残差序列存在完全正自相关;d-w=4:残差序列存在完全负自相关;0d-w2:残差序列存在某种程度的正自相关;2d-w4:残差序列存在某种程度的负自相关;d-w=2:残差序列不存在自相关. 残差序列不存在自相关,可以认为回归方程基本概括了因变量的变化;否则,认为可能一些与因变量相关的因素没有引入回归方程或回归模型不合适或滞后性周期性的影响. 线性回归方程的残差分析 (五)异常值(casewise或outliers)诊断 利用标准化残差不仅可以知道观察值比预测值大或小,并且还知道在绝对值上它比大多数残差是大还是小.一般标准化残差的绝对值大于3,则可认为对应的样本点为奇异值 异常值并不总表现出上述特征.当剔除某观察值后，回归方程的标准差显著减小,也可以判定该观察值为异常值 线性回归方程的预测 (一)点估计 y0 (二)区间估计 1-α的近似置信区间: x0为xi的均值时,预测区间最小,精度最高.x0越远离均值,预测区间越大,精度越低. 一元线性回归分析操作 (一)基本操作步骤 (1)菜单选项: Analyze-regression-linear… (2)选择一个变量为因变量进入dependent框 (3)选择一个变量为自变量进入independent框 (4)enter:所选变量全部进入回归方程(默认方法) (5)对样本进行筛选(selection variable) 利用满足一定条件的样本数据进行回归分析 (6)指定作图时各数据点的标志变量(case labels) 一元线性回归分析操作 (二) statistics选项 (1)基本统计量输出 Estimates:默认.显示回归系数相关统计量. confidence intervals:每个非标准化的回归系数95%的置信区间. Descriptive:各变量均值、标准差和相关系数单侧检验概率. Model fit:默认.判定系数、估计标准误差、方差分析表、容忍度 (2)Residual框中的残差分析 Durbin-waston:D-W值 casewise diagnostic:异常值(奇异值)检测 (输出预测值及残差和标准化残差) 一元线性回归分析操作 (三)plot选项:图形分析. Standardize residual plots:绘制残差序列直方图和累计概率图,检测残差的正态性 绘制指定序列的散点图,检测残差的随机性、异方差性 ZPRED:标准化预测值 ZRESID:标准化残差 SRESID:学生化残差 produce all partial plot:绘制因变量和所有自变量之间的散点图 一元线性回归分析应用举例 移动电话普及率和人均GDP的线性关系 Model Summary观察R2值（拟合优度，回归方程能够解释的比例） ANOVA 观察方差分析表 Coefficients观察t检验和ANOVA F检验的关系 Coefficients能够写出回归方