第8章SSS的回归分析SSS190软件使用教程.pptVIP

8.4 SPSS在非线性回归分析中的应用 （2）参数估计值 表8-18列出了回归模型中四个参数的迭代估计值、标准误差和95%的置信区间。于是，得到股票A关于股票B和C的预测回归模型为： 可以看到，股票B和股票C都和股票A的价格变动方向相同，而且股票B对股票A的影响更大。股票B、C的交互项会影响股票A下跌，但这种影响不太明显。 * 8.4 SPSS在非线性回归分析中的应用 * 8.4 SPSS在非线性回归分析中的应用 （3）参数的相关系数矩阵 表8-19是模型中四个估计参数的相关系数矩阵。对于较复杂的模型，参数间的相关系数可用来辅助进行模型的改进，本案例无太多价值。 * 8.4 SPSS在非线性回归分析中的应用 （4）方差分析表 表8-20是非线性回归分析的方差分析表。Uncorrected Total为未修正的总误差平方和，其值等于23368.000，自由度等于15；它被分解成回归平方和23274.913和残差平方和93.087，自由度分别是4和11。Corrected Total是经修正的总误差平方和，其值等于474.933，自由度是14；表的最后一列是均方。 表8-20最后一行公式：R2=1-残差平方和/修正平方和=0.804，这个结果说明了这个非线性回归模型的拟合效果，总体来看还是不错的。 * 8.4 SPSS在非线性回归分析中的应用 * 8.4 SPSS在非线性回归分析中的应用 （5）线性回归和非线性回归的股票预测图 图8-35显示了原始数据、线性回归模型、非线性回归模型三者的比较。其中，“股票A”是实际曲线，“Predicted Values”是本案例建立的非线性回归方程的预测曲线，“Unstandardized Predicted Values”是不考虑股票B、C交互项的二元线性模型的预测曲线。可以明显看到，非线性回归的预测效果要好于二元线性回归的预测效果，说明了这里我们引入股票B、C交互项的合理性。 * 8.4 SPSS在非线性回归分析中的应用 * 8.2 SPSS在多元线性回归分析中的应用 （4）回归系数表 表8-10给出了回归模型的常数项（Constant）、电视广告费用和报纸广告费用的偏相关系数，它们分别等于83.230、2.290和1.301。于是得到回归方程如下： 每周营业总收入＝83.230＋2.290×电视广告费用＋1.301×报纸广告费用 其中常数项表示当自变量取值全为0时，因变量的取值大小，即没有这两种广告投入时电影院的营业收入。同时比较电视广告和报纸广告的系数看到，电视广告对电影院的收入影响要大于报纸广告的影响。 表8-10还给出了模型对tv和income变量的偏回归系数是否等于0的t检验结果。t值分别等于7.532和4.057，概率P值都小于显著性水平0.05，因此认为偏相关系数β1、β2显著不等于0。同时，SPSS在输出一般偏回归系数的同时，也输出了各自的标准化偏回归系数（Standardized Coefficients）。 * 8.2 SPSS在多元线性回归分析中的应用 * 8.3 SPSS在曲线拟合中的应用 8.3.1 曲线拟合的基本原理 1.方法概述 实际中，变量之间的关系往往不是简单的线性关系，而呈现为某种曲线或非线性的关系。此时，就要选择相应的曲线去反映实际变量的变动情况。为了决定选择的曲线类型，常用的方法是根据数据资料绘制出散点图，通过图形的变化趋势特征并结合专业知识和经验分析来确定曲线的类型，即变量之间的函数关系。 在确定了变量间的函数关系后，需要估计函数关系中的未知参数，并对拟合效果进行显著性检验。虽然这里选择的是曲线方程，在方程形式上是非线性的，但可以采用变量变换的方法将这些曲线方程转化为线性方程来估计参数。 * 8.3 SPSS在曲线拟合中的应用 2、常用曲线估计模型 SPSS的【Curve Estimation（曲线估计）】选项就是用来解决上述问题的。它提供了11种常用的曲线估计回归模型。 * 8.3 SPSS在曲线拟合中的应用 8.3.2 曲线拟合的SPSS操作详解 Step01：打开对话框 选择菜单栏中的【Analyze（分析）】→【Regression（回归）】→【Curve Estimation（曲线估计）】命令，弹出【Curve Estimation（曲线估计）】对话框，这是曲线拟合的主操作窗口。 * 8.3 SPSS在曲线拟合中的应用 Step02：选择因变量 在【Curve Estimation（曲线估计）】对话框左侧的候选变量列表框中选择一个变量，将其添加至