27曲线回归与非线性回归.pptVIP

4．“约束”按钮 在主对话框中单击激活的“约束”按钮，则弹出如图27-21所示对话框。在此对话框内设置对参数的一些限制。 5．“保存”按钮 在主对话框中单击激活的“保存”按钮，则弹出如图27-22所示对话框。有四个选项：“预测值”、“残差”、“导数”、“损失函数值”。 6．“选项”按钮 在主对话框中单击激活的“选项”按钮，则弹出如图27-23所示对话框。 实例详解 假定数据文件图27-24所示中是一家公司在8个周期间的广告费用与公司收入。公司的老板希望建立一个回归模型用电视广告费用和报纸广告费用来预测公司收入。以往8周的样本数据如表27-9所示（单 位：千美元）。请建立回归模型分析。 首先绘制散点矩阵图如图27-25所示。 依据散点矩阵图来判断三个变量之间的关系。散点矩阵图27-25分为9个子图，它们分别描述了三者之间的变 化。可以看到，每周营业收入和两种广告费用存在显著线性 关系，观察自变量 电视广告费用和报纸广告费用之间散点图看到，这两种广告费用之间也存在显著的影响 关系，这说明了这两个因变量之间可能存在交叉影响。于是，建立如 下非线性回归方程： y=a+bx1+cx2+dx1x2+? 1．操作步骤 （1）打开数据文件。 （2）从主菜单栏中选择“分析”→“回归”→“非线性”命令，打开“非线性回归”对话框。 （3）将变量“每周营业收入”作为因变量选入“因变量”列表框。 （4）单击“参数”按钮，打开“非线性回归：参数”对话框。 （5）在此对话框中定义模型参数的起始值。单击“继续”按钮返回主对话框。 （6）在“模型表达式”文本框中输入a+b＊电视广告费用+c＊报纸广告费用+d＊电视广告费用＊报纸广告费用。 （7）单击“保存”按钮，打开“非线性回归：保存”对话框。选择“残差”项保存新变量，单击“继续”按钮返回主对话框。 （8）单击“选项”打开“非线性回归：选项”对话框。选中“标准无误的辅助程序估计（B）”复选框，单击“继续”按钮确认并返回主对话框。 （9）设置完毕，单击“确定”按钮执行上述操作。 2．结果及分析 可以看出，经过13次迭代后，模型达到收敛标准，最佳解被找到。于是，得到每周营业收入关于两种广告费用的预测回归模型为： y=86.531+1.089x-0.667x2+0.724x1x2 图27-27所示给出了整个模型的显著性检验结果，可以看出，决定系数为0.941，拟合结果比较好。Uncorrected Total为未修正的总误差平方和，其值等于70338.000，自由度等于8；它被分解成回归平方和70336.501和残差平方和1.499，自由度分别是4和4。 Corrected Total是经修正的总误差平方和，其值等于25.500，自由度是7；表的最后一列是均方。 图27-28所示为基于13次辅助程序抽样计算出的各参数的估计值、标准误差，95%置信区间和相关系数矩阵。 THE END IBM-SPSS 第27章 曲线回归与非线性回归 曲线直线化变化方法 曲线直线化法，即利用变量变换的方法，使变换后的两个变量之间呈直线关系。求出直线回归方程后，再将方程中的变量通过逆变换还原，求得所求的曲线回归方程。 1．多项式曲线y=a+bx+cx2 2．对数函数 y = a + blnx 3．指数函数y = aebx或y = aeb/x（a 0） 4．幂函数y=axb (a 0) 5．双曲线函数 1/y = a+b/x 变量变换后实现线性回归的步骤 对于可以通过变量变换实现线性化的资料，回归的步骤如下： （1）绘制散点图，观测散点图分布特征类似于何种函数类型， （2）按照所选定的函数进行相应的变量转换 （3）对变换后的数据建立直线回归模型 （4）拟合多个相近的模型，然后通过比较各模型的拟合优度挑选较为合适的模型。 实例详解 对GDP（国内生产总值）的拟合。选取GDP指标为因变量，单位为百万美元，请根据图27-1所示中1993-2010年GDP数据，建立t-GDP曲线。 （1）用原始数据绘制散点图，如图27-2所示。 由图27-2所示可以看出，两个变量分布曲线类似于指数曲线y=b0b1t，由图27-3所示观测GDP与Lgt的散点图，两者成直线趋势，可以考虑用最小二乘法拟合GDP与Lgt的直线回归方程。 计算t的指数值生成新的变量Lgt，操作部骤如下：在菜单中单击“转换”→计算变量，在“目标变量”框中输入“Lgt”作为新变量名，在“数字表达式”中输入LG10（GDP）作为新的变量值，单击“确定”按钮。 （2）拟合GDP与Lgt的直线回归方程结果解释 如图27-4所示为模型的拟合优度情况，显示模型的相关系数R为0.995，决定系数R2为0.91