第九 spss的线性回归分析.pptVIP

（3）逐步筛选（ Stepwise ）策略 ①在向前筛选策略的基础上结合向后筛选策略：向前策略中，变量一旦进入方程将不再被剔除，随着变量的不断引入，会由于变量间的多重共线性，使得已经引入的变量不再显著。 ②在每个变量进入方程后再次判断是否存在应该剔除出方程的变量。 ③逐步筛选策略在引入变量的每一个阶段都提供了再剔除不显著变量的机会。 1. 多重共线性是指解释变量之间存在线性相关关系的现象。 2.测度多重共线性一般有以下方式 （1）容忍度 ① 是第i个解释变量与方程中其他解释变量间的复相关系数的平方，表示解释变量之间的线性相关程度。 ②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。 （2）方差膨胀因子VIF ①方差膨胀因子是容忍度的倒数。 ②VIF越大多重共线性越强，当VIF大于等于10时，说明存在严重的多重共线性。 9.4.2 多重共线性问题 （3）特征根和方差比 ①根据解释变量的相关系数矩阵求得的特征根中，如果最大的特征根远远大于其他特征根，则说明这些解释变量间具有相当多的重复信息。 ②如果某个特征根既能够刻画某解释变量方差的较大部分比例（0.7以上），又能刻画另一解释变量方差的较大部分比例，则表明这两个解释变量间存在较强的线性相关关系。 （4）条件指数 ①指最大特征根与第i个特征根比的平方根。 ②当条件指数在0-10之间时说明多重共线性较 ③当条件指数在10-100之间说明多重共线性较强； ④当条件指数大于100时说明存在严重的多重共线性 3.多重共线性的后果 （1）偏回归系数估计困难 （2）偏回归系数的估计方差随解释变量相关性的增大而增大 （3）偏回归系数的置信区间增大 （4）偏回归系数估计值不稳定性增大 （5）偏回归系数假设检验的结果不显著 9.5 线性回归分析的基本操作 9.5.1选择菜单Analyze－Regression－Linear，出现窗口： （2）选择被解释变量进入Dependent框。 （3）选择一个或多个解释变量进入Independent(s)框。 （4）在Method框中选择回归分析中解释变量的筛选策略。 ①Enter表示所选变量强行进入回归方程，是SPSS默认的策略，通常用在一元线性回归分析中； ②Remove表示从回归方程中剔除所选变量； ③Stepwise表示逐步筛选策略； ④Backward表示向后筛选策略； ⑤Forward表示向前筛选策略。 （5）第三和第四步中确定的解释变量及变量筛选策略可放置在不同的块（Block）中。通常在回归分析中不止一组待进入方程的解释变量和相应的筛选策略，可以单击Next和Previous按钮设置多组解释变量和变量筛选策略并放置在不同的块中。 （6）选择一个变量作为条件变量放到Selection Variable框中，并单击Rule按钮给定一个判断条件。只有变量值满足判定条件的样本才参与线性回归分析。 （7）在Case Labels框中指定哪个变量作为样本数据点的标志变量，该变量的值将标在回归分析的输出图形中。 9.5.2 线性回归分析的其他操作 1.Statistics按钮 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： 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。输出以下结果： 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）Residual框 ①Durbin-waston表示输出DW检验值； ②Casewise 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。 可供用户设置多元