第九章spss的回归分析.docxVIP

- - 第九章 spss 的回归分析 1、利用习题二第 4 题的数据，任意选择两门课程成绩作为解释变量和被解释变量， 利用 SPSS 提供的绘制散点图功能进行一元线性回归分析。请绘制全部样本以及不同性别下两门课程 成绩的散点图，并在图上绘制三条回归直线，其中，第一条针对全体样本，第二和第三条 分别针对男生样本和女生样本，并对各回归直线的拟和效果进行评价。 选择 fore 和 phy 两门成绩做散点图 步骤：图形→旧对话框→散点图→简单散点图→定义→将 phy 导入 X 轴、将 fore 导入 Y 轴，将 sex 导入设置标记→确定 图标剪辑器内点击元素菜单→选择总计拟合线→选择线性→确定→再次选择元素菜单→点击子组拟合线→选择线性→确定 分析：如上图所示，通过散点图，被解释变量 y 与 fore 有一定的线性相关关系。 2、线性回归分析与相关性回归分析的关系是怎样的？ 线性回归分析是相关性回归分析的一种，研究的是一个变量的增加或减少会不会引起另一个变量的增加或者减少。 3、为什么需要对线性回归方程进行统计检验？一般需要对哪些方面进行检验？ 线性回归方程能够较好地反映被解释变量和解释变量之间的统计关系的前提是被解释变量和解释变量之间确实存在显著的线性关系。 回归方程的显著性检验正是要检验被解释变量和解释变量之间的线性关系是否显著， 用线性模型来描述他们之间的关系是否恰当。一般包括回归系数的检验，残差分析等。 4、 SPSS 多元线性回归分析中提供了哪几种解释变量筛选策略？ 包括向前筛选策略、向后筛选策略和逐步筛选策略。 5、先收集到若干年粮食总产量以及播种面积、使用化肥量、农业劳动人数等数据，请利用 建立多元线性回归方程，分析影响粮食总产量的主要因素。数据文件名为“粮食总产 .sav ”。 步骤：分析→回归→线性→粮食总产量导入因变量、其余变量导入自变量→确定 结果如图： b Variables Entered/Removed Model Variables Entered Variables Removed Method 1 农业劳动者人数 ( 百万人 ), . Enter 总播种面积 ( 万公顷 ), 风灾 dimensio n0  面积比例 (%), 粮食播种面 积 ( 万公顷 ), 施用化肥量 (kg/ 公顷 ), 年份 a a. All requested variables entered. b. Dependent Variable: 粮食总产量 (y 万吨 ) Model Summary Model R R SquareAdjusted R Square Std. Error of the Estimate dimension0 1 .994 a .989 .986 901.93038 a. Predictors: (Constant), 农业劳动者人数 ( 百万人 ), 总播种面积 ( 万公顷 ), 风灾面积比例 (%), 粮食播种面积 ( 万公顷 ), 施用化肥量 (kg/ 公顷 ), 年份 b ANOVA Model Sum of Squares df Mean Square F Sig. 1 Regression 2.025E9 6 3.375E8 414.944 .000 a Residual 2.278E7 28 813478.405 Total 2.048E9 34 a. Predictors: (Constant), 农业劳动者人数 ( 百万人 ), 总播种面积 ( 万公顷 ), 风灾面积比例 (%), 粮食播种面积 ( 万公顷 ), 施用化肥量 (kg/ 公顷 ), 年份 b. Dependent Variable: 粮食总产量 (y 万吨 ) Coefficients a Model Unstandardized Standardized Coefficients Coefficients B Std. Error Beta t Sig. 1 (Constant) -613605.817 230903.867 -2.657 .013 年份 304.688 119.427 .402 2.551 .016 粮食播种面积 ( 万公顷 ) .736 .782 .053 .942 .354 总播种面积 ( 万公顷 ) 1.939 .650 .111 2.984 .006 施用化肥量 (kg/ 公顷 ) 141.077 11.186 .755 12.612 .000 风灾面积比例 (%) -307.209 51.870 -.174 -5.923 .000 农业劳动者人数 ( 百万 -5.121 22.286 -.038 -.230 .820 人) a. Dependent V