第九章_SPSS的线性回归分析.pptVIP

本章内容 9.1 回归分析概述 9.2 线性回归分析 9.3 回归方程的统计检验 9.4 多元回归分析中的其他问题 9.5 线性回归分析的基本操作 9.6 线性回归分析的应用举例 9.7 曲线估计 9.1 回归分析概述 1.线性回归分析的内容 （1）能否找到一个线性组合来说明一组自变量和因变量的关系 （2）如果能的话，这种关系的强度有多大，也就是利用自变量的线性组合来预测因变量的能力有多强 （3）整体解释能力是否具有统计上的显著性意义 （4）在整体解释能力显著的情况下，哪些自变量有显著意义 2.回归分析的一般步骤 （1）确定回归方程中的解释变量（自变量）和被解释变量（因变量） （2）确定回归模型-选用合适的数学模型概括回归线 （3）确定回归方程-根据样本数据及确定的回归模型，在一定的统计拟合准则下估计模型的参数，得到确定的回归方程。 （4）对回归方程进行各种检验-基于样本得到的回归方程是否真实地反映了总体间的统计关系？回归方程能否用于预测？ （5）利用回归方程进行预测 9.2.1线性回归模型 1.一元线性回归模型的数学模型 其中：x为自变量； y为因变量； 为截距，即常量； 为回归系数，表明自变量对因变量的影响程度 用最小二乘法求解方程中的两个参数，得到： 多元线性回归模型 2.多元线性回归方程： （1）β1、β2、…βp为偏回归系数。 （2）β1表示在其他自变量保持不变的情况下，自变量x1变动一个单位所引起的因变量y的平均变动 总离差平方和可分解为 2.可决系数（判定系数、决定系数） （1）回归方程的显著性检验是要检验被解释变量与所有的解释变量之间的线性关系是否显著。 （2） 对于一元线性回归方程，检验统计量为： ①平均的SSA/平均的SSE，反映了回归方程所能解释的变差与不能解释的变差的比例。 ②SPSS自动计算F统计量值和p值，根据p值与显著性水平的大小进行判断。 （3）对于多元线性回归方程，检验统计量为 ①也即： ②回归方程的拟合优度越高—回归方程的显著性检验也会越显著 ③回归方程的显著性检验越显著—回归方程的拟合优度越高 ④回归方程的拟合优度检验仅是一种刻画性描述，不涉及假设检验中：提出原假设、选择检验统计量、计算检验统计量的值、决策等内容，而回归方程的显著性检验均涉及这些内容。 9.3.3回归系数的显著性检验（t检验） （1）回归系数的显著性检验是要检验回归方程中被解释变量与每一个解释变量之间的线性关系是否显著。 （2）对于一元线性回归方程， 检验统计量为： ① 为回归方程的标准误差，是SSE的均方根，反映了回归方程无法解释y 变动的程度。 ②SPSS自动计算t值和p值，根据p值进行决策。 ③一元线性回归中，回归方程显著性检验和回归系数显著性检验的作用相同，可相互替代，且回归方程显著性检验的F统计量等于回归系数显著性检验t统计量的平方 （3）对于多元线性回归方程，检验统计量为： ①SPSS自动计算 统计量的值和相应的p值，可根据p值进行决策 ②多元线性回归中，回归方程显著性检验和回归系数显著性检验的作用不相同： （a）回归方程显著性检验—检验所有偏回归系数是否同时为零。即使偏回归系数不同时为零，并不能保证方程中不存在解释力较差的自变量。 （b）回归系数显著性检验对每个偏回归系数是否为零逐一进行检验 （c）两种检验不能相互替代。 （1）残差是指由回归方程计算得到的预测值与实际样本值之间的差距，定义为： （2）对于线性回归分析来讲，如果方程能够较好的反映被解释变量的特征和规律性，那么残差序列中应不包含明显的规律性和趋势性。 （3）残差分析包括以下内容： ①残差是否服从均值为零的正态分布； ②残差是否为等方差的正态分布； ③残差序列是否独立； ④借助残差探测样本中的异常值。 9.3.4.1残差均值为零的正态性检验 （1）通过绘制残差图进行分析 （2）残差图是一种散点图：横轴为解释变量，纵轴为残差。 （3）如果残差均值为零，残差图的点应该在纵坐标为0的中心带状区域中随机散落，（P290图9-1） 9.3.4.2残差独立性检验 1.残差序列独立性指：残差序列前期和后期数值之间不存在相关关系，即： 2.方法 （1）绘制残差序列散点图：时间为横轴，残差为纵轴，若残差随时间推移呈有规律变化，则存在相关性。 （2）计算残差的自相关系数： （3）DW检验 ①DW检验用来检验残差的自相关。检验统