2012下-第8章-spss的相关分析和线性都回归分析.pptVIP

回归方程的 拟合优度检 验(判定系数) 向后筛选策略-结果 DW值在1.5-2.5之间，可以说明没有自相关现象 回归方程 的显著性 检验 向后筛选 策略-结果 向后筛选 策略-结果 回归参数 的估计+ 回归系数 的显著性 检验 向后筛选 策略-结果 每步排除 的变量 向后筛选 策略-结果 残差累计 概率图 从图中可知残差近似服从标准正态分布 向后筛选 策略-结果 残差图 从图中可知,数据点无明显规律,残差序列是独立,且都在±3个标准差范围内,无异常点 向后筛选 策略-结果 标准化残差和标准化预测值的 Spearman等级相关分析-操作 标准化残差和标准化预测值的 Spearman等级相关分析结果 计算残差与预测值的相关性弱, 认为异方差现象不明显 标准化残差的非参数检验-操作 标准化残差的非参数检验结果 可认为标准化残差服从标准正态分布 练习 1、为研究收入和支出的关系，收集1978-2002年我国的年人均可支配收入和年人均消费性支出数据，研究收入与支出之间是否具有较强的线性关系。 2、以年人均支出和教育数据为例，建立回归方程研究年人均消费支出、恩格尔系数、在外就餐、教育支出、住房人均使用面积受年人均可支配收入的影响。 相关回归分析（年人均消费支出和教育）.sav 1、分析?回归?权重估计。 加权回归的举例 mallcost.sav 输出结果 1、分析?回归?两阶最小二乘法。 两阶最小二乘法 (自学) cross_sell.sav 两阶最小二乘法的SPSS实现，可进一步阅读参考书，杜强、贾丽艳，《SPSS统计分析从入门到精通》，人民邮电出版社，2011年 该书中的第8.9章节，两阶最小二乘回归. Thank you * * * * * * * * 满足Gauss-Markov条件(即等方差与不相关假定)： 正态分布假定条件： 各自变量序列之间不相关： 线性回归模型的假设条件 多重共线性 自相关 异方差 残差是指由回归方程计算得到的预测值与实际样本值之间的差距，定义为： 对于线性回归分析来讲，如果方程能够较好的反映被解释变量的特征和规律性，那么残差序列中应不包含明显的规律性。残差分析包括以下内容：残差服从正态分布，其平均值等于0；残差取值与X的取值无关；残差不存在自相关；残差方差相等。 4. 残差分析 1) 对于残差均值和方差齐性检验可以利用残差图进行分析。如果残差均值为零，残差图的点应该在纵坐标为0的中心的带状区域中随机散落。如果残差的方差随着解释变量值（或被解释变量值）的增加呈有规律的变化趋势，则出现了异方差现象。 异方差的检验与处理 2) Spearman（斯皮尔曼）检验，即等级相关系数检验 建模时不能消除数据的异方差，只能消除异方差带来的不良影响。最常用的方法是加权最小二乘法（Weighted Least Squares, WLS）。 DW检验用来检验残差的自相关。检验统计量为： DW=2表示无自相关，在0-2之间说明存在正自相关，在2-4之间说明存在负的自相关。一般情况下，DW值在1.5-2.5之间即可说明无自相关现象。 自相关的检验 SPSS 操作模块 回归分析问题 线性回归 解决一元线性回归和多元线性回归的基本问题 加权回归 解决异方差问题，可给自变量加上不同的权重 二阶最小二乘法 解决预测变量与误差项相关的问题(自相关) 异方差和自相关的处理方法 5. 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。测度多重共线性一般有以下方式： 1) 容忍度： 其中， 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。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。方差膨胀因子是容忍度的倒数。VIF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。 3) 特征根和方差比。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。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。指最大特征根与第i个特征根比的平方根。通常，当条件指数在0-10之间时说明多重共线性较弱；当条件指数在10-100之间说明多重共线性较强；当条件指数大于100时说明存在严重的多重共线性。 从有共线性问题的变量中删除不重要的变量； 增加样本量或重新抽取样本； 采用其它方法拟合模型：如逐步回归、岭估计、主成分分析法等。 多重共线性