多元线性回归SPSS.pptVIP

多元线性回归 样本回归方程： 3、利用多元线性回归方程进行疾病的预测、预报，以及疾病诊断提高其诊断效果等。 SPSS11.0软件包操作(1)选择分析窗口（Analyze)(2)选择回归分析（Regression)(3)选择线性回归(Linear) SPSS数据库格式 操作（一） 操作（二） 操作（三） 操作（四） 操作（五）（设定界值） （一）描述性统计分析结果 （二）相关系数矩阵 （三）模型效果检验(复相关系数R的检验) （四）模型效果检验 (残差分析) （五）回归系数的检验及结果 建立回归方程 （六）残差直方图 （七）残差正态累计概率图 （八）散点图 (九)绘制个体值及估计值与实测值回归线的可信区间 多元逐步回归要求回归方程中包含所有对因变量作用显著的自变量，而不包含作用不显著的自变量，从而建立最优回归方程。 3、向前引入法（Forward）:自变量由少到多一个一个引入回归方程，将与因变量的相关系数最大的第一个自变量选入方程并进行检验，如果F值Fa ，拒绝H0 ；将其余的变量中与因变量的相关系数最大的第二个自变量选入方程，当F值Fa ，拒绝H0 ；如此下去，不断引入新的自变量，直到不能拒绝H0，再没有变量被引入为止。 4、向后剔除法（Backward）:  自变量由多到少一个一个从回归方程中剔除，首先，对预先选定自变量全部进行回归，然后把对因变量影响不显著的自变量从方程中剔除并进行检验，如果F值Fa ，接受H0 ，一个一个剔除对因变量不显著的自变量，直到再不能剔除为止。 操作（一） SPSS软件包逐步回归操作（二） 操作（三） 操作（四） 操作（五） 操作（六） （一） SPSS软件包逐步回归筛选自变量 （二） SPSS软件包逐步回归相关系数及检验 （三） SPSS软件包逐步回归残差分析 （四） SPSS软件包逐步回归回归系数及检验 （五） SPSS软件包逐步回归残差直方图 （六） SPSS软件包逐步回归未进入方程的变量及检验 （七） SPSS软件包逐步回归残差正态概率P-P图 2、进行因素筛选，有助于从大量因素中筛选出对某一医学现象作用显著的因素和因素组，因此在病因分析和疗效分析中有着广泛的应用。 共线性诊断的方法：诊断共线性常用的参数有： SPSS统计软件包多元线性回归建模方法： 强迫引入法 Enter 逐步回归法 Stepwise 强迫剔除法 Remove 向后逐步法 Backward 向前逐步法 Forward 多元线性回归模块分析内容： 回归系数 相关系数 方差分析表 图形 预测值等 结果变量Y 多个自变量 点击逐步回归 回归系数估计 回归系数可信区间 模型拟合 正态概率图 直方图 逐步回归的主要用途：1、建立一个自变量个数较少的多元线性回归方程，可用于描述某些自变量与某一医学现象间的数量关系，以及进行疾病的预测预报，辅助诊断等。 讨论：1、共线性问题2、残差分析 共线性分析： 在回归方程中，虽然各自变量对因变量是有意义的，但由于某些自变量彼此相关，这种自变量彼此间的相关叫存在共线性问题，必然给评价自变量的贡献带来困难。因此，需要对回归方程中的自变量进行共线性诊断。 F=19.553,F检验结果概率P=0.000,差异有统计学意义,可以认为回归模型的拟合是有效的 F=19.553,P=0.000,结论同上。 结果讨论： 统计分析结果应结合专业知识进行分析，分析统计结果是否符合专业实际解释。 回归方程效果的检验： 回归效果的检验： 建立了回归方程后，需要进行显著性检验，以确认建立的回归模型是否很好的拟合了原始数据，即回归方程是否有效,利用残差分析，确定回归方程是否违反了假设理论，对方程中的各自变量进行检验，首先假设总体的各自变量的系数或常数项为均0，通过检验以便在回归方程中保留对因变量Y估计更有效的自变量，来确定回归模型是否有效。 由于有等方差为前提条件，利用残差均方σ2的估计S2进行回归效果的检验。这里假设p+1个系数是从总体回归系数β0 ,β1,…,βP全为0的总体中作随机抽样来的，由于是样本，必然存在抽样误差，因此需要对回归系数进行检验。 建立检验假设和备择假设H0 : β0=β1=…βP =0 ,H1 : β0 ,β1 ,…,βP 不全为0 计算总的离均差平方和、回归平方和（回归的贡献就在于使估计值与观察值间的差距缩小，缩小的这一部分叫回归平方和）及残差平方和，首先计算回归均方及残差均方（回归均方及残差均方分别除以他们的相应的自由度）得到均方,再求F值，最后进行判断。 判断结果