东北财经大学SPSS统计实验课件 回归分析.pptVIP

判定系数为90.4%。表明运输车辆每天行驶时间变异性的90.4%能被行驶里数和货运次数解释。 Model Summary .951 .904 .876 .573 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Predictors: (Constant), 货运次数, 行驶里数 F=32.878对应的P值为0.000，因此拒绝原假设。 ANOVA 21.601 2 10.800 32.878 .000 2.299 7 .328 23.900 9 Regression Residual Total Model Sum of Squares D f Mean Square F Sig. Predictors: (Constant), 货运次数, 行驶里数 Dependent Variable: 行驶时间 Coefficients -.869 .952 -.913 .392 6.113E-02 .010 6.182 .000 .923 .221 4.176 .004 (Constant) 行驶里数 货运次数 Model Std. Error Un standardized Coefficients t Sig. Dependent Variable: 行驶时间 估计的回归方程： 简单线性回归方程 多重线性回归方程 β1=0.0678：行驶里数每增加一个单位，运输车辆期望增加行驶时间估计值为0.0678小时 β1=0.06113：当运货次数保持不变时，行驶里数每增加一个单位运输车辆期望增加的行驶时间估计值为0.06113小时。 9.3 4.8 8.9 6.5 4.2 6.2 7.4 6.0 7.6 6.1 4 3 4 2 2 2 3 4 3 2 100 50 100 100 50 80 75 65 90 90 1 2 3 4 5 6 7 8 9 10 行驶时间y 运送货物次数x2 行驶里数x1 运输任务 行驶里数、运货次数和行驶时间样本数据 判定系数 F检验 多重判定系数 式中： ANOVA 15.871 1 15.871 15.815 .004 8.029 8 1.004 23.900 9 Regression Residual Total Model Sum of Squares D f Mean Square F Sig. Predictors: (Constant), 行驶里数 Dependent Variable: 行驶时间 ANOVA 21.601 2 10.800 32.878 .000 2.299 7 .328 23.900 9 Regression Residual Total Model Sum of Squares D f Mean Square F Sig. Predictors: (Constant), 货运次数, 行驶里数 Dependent Variable: 行驶时间 修正多重判定系数 r2 随自变量个数的增加而增加，但自变量之间或多或少地总带有相关性，此时r2会带有高估的倾向。为避免 r2的高估情况，有专家提出了修正多重判定系数。 —样本容量 —自变量个数 至少一个回归参数不等于0 检验统计量 拒绝法则: 时，拒绝原假设。 分子自由度为自变量的个数P。 分母自由度为n-p-1。 因此，拒绝原假设。 9.3 4.8 8.9 6.5 4.2 6.2 7.4 6.0 7.6 6.1 4 3 4 2 2 2 3 4 3 2 100 50 100 100 50 80 75 65 90 90 1 2 3 4 5 6 7 8 9 10 行 驶时间y 运送货物次 数 x2 行驶里数 x1 运输任务 试就下列情形预测(1-α=95%)（1）所有货运汽车平均行驶时间的置信区间。（2）个别货运汽车平均行驶时间的置信区间。 2 3 4 2 3 4 50 50 50 100 100 100 X2的数值 X1的数值 行驶里数、运货次数和行驶时间样本数据 运输公司行驶时间的95%的置信区间估计 5.656 6.548 7.607 8.683 9.510 10.515 上限 4.924 5.789 6.948 7.926 8.645 9.742 上限 2.414 3.368 4.157 5.500 6.520 7.362 下限 个别值置信区间估计 下限 3.146 4.127 4.815 6.258 7.385 8.135 均值置信区间估计 2 3 4 2 3 4 50 50 50 100 100 100 X2的数值 X1的数值 5.2 6.5 6.8 8.1 10.2 10.3 13.0 1000 2000 3000 3500 40