实验六用SPSS进行非线性回归分析.docxVIP

- - 实验六 用 SPSS进行非线性回归分析 例：通过对比 12 个同类企业的月产量 (万台 )与单位成本 (元 )的资料 (如图 1)，试配合适当的回归模型分析月产量与单位成本之间的关系 1 原始数据和散点图分析 一、散点图分析和初始模型选择 在 SPSS数据窗口中输入数据，然后插入散点图 (选择 Graphs→Scatter 命令 )，由散点图 可以看出， 该数据配合线性模型、指数模型、 对数模型和幂函数模型都比较合适。 进一步进 行曲线估计：从 Statistic 下选 Regression 菜单中的 Curve Estimation 命令；选因变量单位成 本到 Dependent 框中，自变量月产量到 Independent 框中，在 Models 框中选择 Linear、 Logarithmic 、 Power 和 Exponential 四个复选框，确定后输出分析结果，见表 1。 分析各模型的 R 平方，选择指数模型较好，其初始模型为 但 考虑到在线性变换过程可能会使原模型失去残差平方和最小 的 意义，因此进一步对原模型进行优化。 模型汇总和参数估计值 因变量 : 单位成本 方程 模型汇总 参数估计值 R 方 F df1 df2 Sig. 常数 b1 线性 .912 104.179 1 10 .000 158.497 -1.727 对数 .943 166.595 1 10 .000 282.350 -54.059 幂 .931 134.617 1 10 .000 619.149 -.556 指数 .955 212.313 1 10 .000 176.571 -.018 自变量为 月产量。 表 1 曲线估计输出结果 二、非线性模型的优化 SPSS提供了非线性回归分析工具，可以对非线性模型进行优化，使其残差平方和达到 最小。从  Statistic  下选  Regression 菜单中的  Nonlinear  命令；按  Paramaters  按钮，输入参数 A：176.57  和  B：-.0183；选单位成本到  Dependent  框中，在模型表达式框中输入“  A*EXP(B* 月产量  )”，确定。  SPSS输出结果见表  2。 由输出结果可以看出，经过  6 次模型迭代过程，残差平方和已有了较大改善，缩小为 568.97，误差率小于 0， 优化后的模型为： 迭代历史记录 b 迭代数 a 残差平方和 参数 A B 1.0 104710.523 176.570 -.183 1.1 5.346E+133 -3455.813 2.243 1.2 30684076640.87 476.032 .087 3 1.3 97312.724 215.183 -.160 2.0 97312.724 215.183 -.160 2.1 83887.036 268.159 -.133 3.0 83887.036 268.159 -.133 3.1 59358.745 340.412 -.102 4.0 59358.745 340.412 -.102 4.1 26232.008 385.967 -.065 5.0 26232.008 385.967 -.065 5.1 7977.231 261.978 -.038 6.0 7977.231 261.978 -.038 6.1 1388.850 153.617 -.015 7.0 1388.850 153.617 -.015 7.1 581.073 180.889 -.019 8.0 581.073 180.889 -.019 8.1 568.969 182.341 -.019 9.0 568.969 182.341 -.019 9.1 568.969 182.334 -.019 10.0 568.969 182.334 -.019 10.1 568.969 182.334 -.019 导数是通过数字计算的。 主迭代数在小数左侧显示，次迭代数在小数右侧显示。 由于连续残差平方和之间的相对减少量最多为 SSCON = 1.000E-008 ，因此在 22 模型评估和 10 导数 评估之后，系统停止运行。 表 2 非线性回归的输出结果 传统手工运算求解，运算量与迭代次数成正比；而使用 SPSS求解，只要输入了初始参 数值和模型表达式， 无论迭代多少次，都可快速得到最后结果，不仅减轻了计算强度， 而且 提高了数据准确度，相比 Excel 又有了极大的进步。