逐步回归分析实例.docxVIP

- - 逐步回归分析 在自变量很多时，其中有的因素可能对应变量的影响不是很大，而且  x  之间可能不完 全相互独立的，可能有种种互作关系。在这种情况下可用逐步回归分析，进行  x  因子的筛 选，这样建立的多元回归模型预测效果会更较好。 逐步回归分析，首先要建立因变量 y 与自变量 x 之间的总回归方程，再对总的方程及 每—个自变量进行假设检验。当总的方程不显著时，表明该多元回归方程线性关系不成立； 而当某—个自变量对 y 影响不显著时，应该把它剔除，重新建立不包含该因子的多元回归 方程。筛选出有显著影响的因子作为自变量，并建立“最优”回归方程。 回归方程包含的自变量越多，回归平方和越大，剩余的平方和越小，剩余均方也随之较小，预测值 的误差也愈小，模拟的效果愈好。但是方程中的变量过多，预报工作量就会越大， 其中有些相关性不显著的预报因子会影响预测的效果。 因此在多元回归模型中，适宜的变量数目尤为重要。  选择 逐步回归在病虫预报中的应用实例 : 以陕西省长武地区 1984~1995 年的烟蚜传毒病情资料、相关虫情和气象资料为例（数 据见  DATA6.xls  ），建立蚜传病毒病情指数的逐步回归模型， 说明逐步回归分析的具体步骤。 影响蚜传病毒病情指数的虫情因子和气象因子一共有  21 个，通过逐步回归，从中选出对病 情指数影响显著的因子，  从而建立相应的模型。  对 1984~1995 年的病情指数进行回检，  然后 对 1996~1998 年的病情进行预报，再检验预报的效果。 变量说明如下： x11：5 月份均温 y：历年病情指数 x12：5 月份降水量 x1：前年冬季油菜越冬时的蚜量 ( 头/ 株) x13：6 月份均温 x2：前年冬季极端气温 x14：6 月份降水量 x3： 5 月份最高气温 x15：第一次蚜迁高峰期百株烟草 x4： 5 月份最低气温 有翅蚜量 x5： 3~5 月份降水量 x16：5 月份油菜百株蚜量 x6： 4~6 月份降水量 x17：7 月份降水量 x7： 3~5 月份均温 x18：8 月份降水量 x8： 4~6 月份均温 x19：7 月份均温 x9： 4 月份降水量 x20：8 月份均温 x10：4 月份均温 x21：元月均温 1）准备分析数据 SPSS数据编辑窗口中，用“ File →Open→Data”命令，打开“ DATA6.xls”数据文件。数据工作区如下图 3-1 显示。 3-1 2）启动线性回归过程 单击 SPSS主菜单的“ Analyze ”下的“ Regression ”中“ Linear  ”项，  将打开如图  3-2 所示的 线性回归过程 窗口。 图 3-2 线性回归对话窗口 设置分析变量 设置因变量： 将左边变量列表中的“ y”变量，选入到“ Dependent”因变量显示栏里。 设置自变量： 将左边变量列表中的“ x1”~“x21”变量，全部选移到 “Independent(S) ”自变量栏里。 设置控制变量 : 本例子中不使用控制变量，所以不选择任何变量。 选择标签变量 : 选择“年份”为标签变量。 选择加权变量 : 本例子没有加权变量，因此不作任何设置。 4）回归方式 在“ Method”分析方法框中选中“  Stepwise  ”逐步分析方法。该方法是根据 “Options ”选择对话框中显著性检验  （ F）的设置， 在方程中进入或剔除单个变量，  直到所 建立的方程中不再含有可加入或可剔除的变量为止。设置后的对话窗口如图  3-3 。 3-3 设置变量检验水平 在图 6-15 主对话框里单击“ Options ”按钮，将打开如图 3-4 所示的对话框。 3-4 “Stepping Method Criteria” 框里的设置用于逐步回归分析的选择标准。 其中“ Use probability of F ”选项，提供设置显著性 F 检验的概率。如果一个变量 F 检验概率小于或等于进入“ Entry ”栏里设置的值， 那么这个变量将被选入回归方程中；当回归方程中变量的 F 值检验概率大于剔除“ Removal”栏里设置的值，则该变量将从回归 方程中被剔除。由此可见，设置F 检验概率时，应使进入值小于剔除值。 “Ues F value ” 选项，提供设置显著性 F 检验的分布值。如果一个变量的 F 值大于 所设置的进入值（ Entry ），那么这个变量将被选入回归方程中；当回归方程中变量的 F 值 小于设置的剔除值（ Removal），则该变量将从回归方程中被剔除。同时，设置 F 分布值时， 应该使进入值大于剔除值。 本例子使用显著性 F 检验的概率，在进入“ Entry ”栏里设置为“ 0.15 ”，在剔除 “Re