spss相关分析和回归分析.pptVIP

（3）曲线估计中的解释变量可以是相关因素变量也可是时间变量。如果解释变量为相关因素变量，则选择Variable选项，并把一个解释变量指定到Independent框；如果选择Time参数则表示解释变量为时间变量。 （4）在Models中选择几种模型。 （5）选择Plot Models选项绘制回归线；选择Display ANOVA table输出各个模型的方差分析表和各回归系数显著性检验结果。 至此，完成了曲线估计的操作，SPSS将根据选择的模型自动进行曲线估计，并将结果显示到输出窗口中。 8.5.3 应用举例 1、教育支出的相关因素分析 为研究居民家庭教育支出和消费性支出之间的关系，收集到1978年至2002年全国人均消费性支出和教育支出的数据。 首先绘制教育支出和消费性支出的散点图。观察散点图发现两变量之间呈非线性关系，可尝试选择二次、三次曲线、复合函数和幂函数模型，利用曲线估计进行本质线性模型分析。其中，教育支出为被解释变量，消费性支出为解释变量。 2、分析和预测居民在外就餐的费用 利用收集到1978年至2002年居民在外就餐消费的数据，对居民未来在外就餐的趋势进行分析和预测。 首先绘制就餐费用的序列图，选择菜单Graphs－Sequence。得到的序列图表明自80年代以来居民在外就餐费用呈非线性增加，90年代中期以来增长速度明显加快，大致呈指数形式，可利用曲线估计进行分析。由于要进行预测，因此在曲线估计主窗口中要单击Save按钮，出现如下窗口： Save Variables框中：Predicted values表示保存预测值；Residual表示保存残差；Prediction interval表示保存预测值默认95％置信区间的上限和下限值。 Predict cases框中：只有当解释变量为时间时才可选该框中的选项。Predict from estimation period through last case表示计算当前所有样本期内的预测值；Predict through表示计算指定样本期内的预测值，指定样本期在Observation框后输入。 本例希望预测2003年和2004年的值，应在Observation框后输入27。 Thank you * 8.4.3 线性回归方程的统计检验 8.4.3.1回归方程的拟合优度 回归直线与各观测点的接近程度称为回归方程的拟合优度， 也就是样本观测值聚集在回归线周围的紧密程度 。 1、离差平方和的分解： 建立直线回归方程可知：y的观测值的总变动 可由 来反映，称为总变差。引起总变差的 原因有两个： 由于x的取值不同，使得与x有线性关系的y值不同； 随机因素的影响。 x y 总离差平方和可分解为 即：总离差平方和（SST)=剩余离差平方和(SSE) +回归离差平方和（SSR) 其中；SSR是由x和y的直线回归关系引起的，可以由回归直线做出解释；SSE是除了x对y的线性影响之外的随机因素所引起的Y的变动，是回归直线所不能解释的。 2、可决系数（判定系数、决定系数） 回归平方和在总离差平方和中所占的比例可以作为一个统计指标，用来衡量X与Y 的关系密切程度以及回归直线的代表性好坏，称为可决系数。 对于一元线性回归方程： 对于多元线性回归方程： 在多元线性回归分析中，引起判定系数增加的原因有两个：一个是方程中的解释变量个数增多，另一个是方程中引入了对被解释变量有重要影响的解释变量。如果某个自变量引入方程后对因变量的线性解释有重要贡献，那么必然会使误差平方和显著减小，并使平均的误差平方和也显著减小，从而使调整的判定系数提高。所以在多元线性回归分析中，调整的判定系数比判定系数更能准确的反映回归方程的拟合优度。 8.4.3.2回归方程的显著性检验（方差分析F检验） 回归方程的显著性检验是要检验被解释变量与所有的解释变量之间的线性关系是否显著。 对于一元线性回归方程，检验统计量为： 对于多元线性回归方程，检验统计量为： 8.4.3.3回归系数的显著性检验（t检验） 回归系数的显著性检验是要检验回归方程中被解释变量与每一个解释变量之间的线性关系是否显著。 对于一元线性回归方程，检验统计量为： 对于多元线性回归方程，检验统计量为： 8.4.3.4残差分析 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