回归分析实例..pptVIP

首先，分别对电冰箱销售量Y（千台）、新结婚户数X1（千户）、居民户均收入X2（千户）进行描述性统计分析，具体步骤如下：　　1.运行SPSS，按Analyze→DescriptiveStatistics→Descriptives顺序打开Descriptives对话框；　　2.选定Y、X1、X2变量送入 Variable(s)栏中；选中Savestandardizedvaluesasvariables复选项，要求计算变量的标准化值，并保存在当前数据文件中；　　3.单击Options按钮，打开对话框，选中Mean、Sum、Std.deviation、Minimum、Maximum、Range复选项；　　4.在主对话框中单击OK按钮，提交运行。 其次，分别考察Y变量与X1变量、X2变量的关系，对其进行相关分析，具体步骤如下：　　1.运行SPSS，读取数据文件后按Analyze→Correlate→Bivariate顺序单击菜单项，展开对话框；　　2.制定分析变量，选择源变量栏中的Y、X1、X2送入Variable(s)栏；　　3.分别选择Person相关，One-tailed单尾t检验，选中Flagsignificantcorrelations复选项；　　4.在主对话框中单击OK按钮，提交运行。　　输出结果如表3所示。表3表在行变量与列变量的交叉单元格上市这两个变量的相关计算结果。自上而下三个统计量分别为：PersonCorrelation——皮尔逊相关系数；Sig.(1-tailed)——单尾t检验结果。对于相关系数为0的假设成立的概率；N为参与相关系数计算的有效观测量数。 表4显示，常数（Constant）、居民户均收入（X2）具有统计意义，而居民新结婚户数（X1）因显著性水平值（t=0.834＞0.5）较高而不具有统计意义。从表4中可以推出模型方程：Y=-20.771+1.387X2。若预计2006年该地区居民新婚户数为30.2千户，居民户均收入62.5千元，根据模型方程不难推出2006年电冰箱销售量Y=-20.771+1.387×62.5=65.92（千台）。 §3.非线性回归预测 一、常见一元非线性回归预测模型结构 (1)双曲线回归模型 (2)多项式回归模型 (3)对数曲线回归模型 (4)三角函数回归模型 (5)幂函数回归模型 (6)指数回归模型 二、参数确定的方法 (1)直接换元法 (2)间接代换法(如对数变换等) (3)线性化迭代方法 (1)直接换元法 (2)间接代换法 一元线性回归预测案例研究 例：x、y两变量的观察数据如下表所示，根据数据进行回归预测。 根据前表可知： 相关系数检验。 根据前表数据以及相关系数计算公式可知本例为显著线性相关。 计算确定置信区间。计算得到置信区间为[10.42,13.54]，具体计算过程如下： * 信息分析 实例 全国GDP及技术贸易额统计数据(亿元) 94346.4 88228.1 80579.2 76967.2 73142.7 66850.5 57494.9 46670.0 34560.5 26651.9 21662.5 18598.4 16917.8 14922.3 11954.5 全国GDP x 650.75 14 2000 523.41 13 1999 435.82 12 1998 784.75 15 2001 351.37 11 1997 300.20 10 1996 268.35 9 1995 228.87 8 1994 207.55 7 1993 150.89 6 1992 94.80 5 1991 75.10 4 1990 81.46 3 1989 72.49 2 1988 33.52 1 1987 全国技术贸易额 y 序号 年份 1、绘制散点图 2、建立一元线性回归模型 3、计算回归系数 所求回归预测模型为： 解： 4.检验线性关系的显著性 当显著性水平α＝0.05，自由度＝n-m＝15-2＝13时，查相关系数临界值表，得R0.05（13）＝0.5139，因 　　　　　　R＝0.9471＞0.5139＝ R0.05（13） 故在α＝0.05显著性水平上，检验通过，说明两变量之间相关关系显著。 5.预测 当显著性水平α＝0.05，自由度＝n-m=13时，查t分布表得： 　　　　　　t0.025(13)=2.16 当2008年时,GDP为153671.7866，y的点估计值为： §2.多元线性回归 ●结构 二元时： ●参数确定 设有n组样本 矩阵形式： 根据： 例如：一电器公司对某地区电冰箱的销售情况进行了市场调查，其 中，年份、电冰箱销售量Y（千台）、新结婚户数X1（千户）、居民 户均收入X2（千户）的资料如表1所示： 表