实验十回归分析实验.docxVIP

实验十回归分析实验 变量之间的关系可以分为两类，一类是确定性的，另一类是 非确定性的。确定型的关系是指：某一个或某几个现象的变动必 然会引起另一个现象确定的变动，他们之间的关系可以使用数学 数式确切地表达出来，即y = /（劝。当知道x的数值时，就可 以计算出确切的y值来。如圆的周长与半径的关系: 非确定关系则不然,例如，在发育阶段，随年龄的增长，人的身 高会增加。但不能根据年龄找到确定的身高，即不能得出11岁 儿童身高一定就是1米40公分。年龄与身高的关系不能用一般 的函数关系来表达。研究变量之间既存在又不确定的相互关系及 其密切程度的分析称为相关分析。如果把其中的一些因素作为自 变量，而另一些随自变量的变化而变化的变量作为因变量，研究 他们之间的非确定因果关系，这种分析就称为归分析。 他们之间的非确定因果关系，这种分析就称为 归分析。 实验目的：学习利用SPSS进行回归分析。 实验内容：一、一元线性冋归分析 二、多元线性冋归分析 三、曲线估计 四、Logistic 冋归分析 五、probit冋归分析 六、非线性冋归分析 实验工具：SPSS中回归分析菜单。 —元线性回归分析 知识准备: 相关和回归描述的是两变最间联系的不同侧面，一元线性 归分析就是寻找因变量数值随自变量变化而变化的直线趋势，并 在散点图上找到这样一条直线，相应的方程也就被称为直线回归 方程。 通过回归方程解释两变量之间的关系会显的更为精确，例如 可以计算出大白鼠每进食一个单位代乳粉体重平均增加的单位 数量,这是相关分析无法做到的。除了描述两变量的关系以外, 通过回归方程还可以进行预测和控制，预测就是在回归方程中控 制了变量兀的取值范围就可以相应的得到变量丁的上下限，而控 制则正好相反，也就是通过限制结果变量y的取值范围来得到 兀的上下限。这两点在实际的应用中显得尤为重要。 K 一元线性回归分析的原理和要求 如果将两个事物的取值分别定义为变最x和y，则可以用 归方程y = a + bx来描述两者的关系，这里需要注意的有两点: 变量X称为自变最,而丁为因变量，一般来讲应该有理由认 为是由于X的变化而导致y发生变化。②9不是一个确定的数 值，而是对应于某个确定兀的群休的y值平均值的估计。该方程 的含义可以从其等式右边的组成来理解。即每个预测值都可 以被分解成两部分: 1 )常量(constant):为兀等于零时回归直线在y轴上的截距 即兀取值为零时丁的平均估计量。 回归部分：它刻画因变量y的取值中,由因变量y与自变 量x的线性关系所决定的部分，即可以由无直接估计的部分。b 称为回归系数(Coefficient of Regression),又称其为回归线的斜 率(Slope) o 估计值y和每一个实测值y之间的差被称为残差，一般用勺 表示。它刻画了因变量y除了自变量x以外的其他所有未进入该 模型或未知但可能与y有关的随机和非随机因素共同引起的变 异,即不能由x直接估计的部分。往往假定勺服从正态分布 N（0q2）。 归方程中的参数Q和b—般是通过最小二乘原理估计出 来的，所谓最小二乘原理就是指使得坐标中每一对x变量和y变 量所对应的点到回归直线纵向距离的平方和，或者说残差的平方 和最小。 2、一元线性回归分析的适用条件 1 ）线性趋势：自变量与因变量的关系是线性的，如果不是, 则不能采用线性回归来分析。这可以通过散点图来加以判断。 2） 独立性：可表述为因变量y的取值相互独立，之间没有 联系。反映到模型中，实际上就是要求残差间相互独立，不存在 自相关，否则应当采用自回归模型来分析。 3） 正态性：就自变量的任何一个线性组合，因变量y均服 从正态分布，反映到模型中，实际上就是要求残差服从正态分布。 4） 方差齐性：就自变量的任何一个线性组合，因变量y的 方差均相同，实质就是要求残差的方差齐性。 如果只是建立方程，探讨自变量与因变最间的关系，而无需 根据自变量的取值预测因变量的容许区间、可信区间等，则后两 个条件可以适当放宽。 概括起来，“独立S “线性J “正态S “等方差汀是线性回归的 四个条件。 3、一元线性 3、一元线性 归方程的检验 根据原始数据，求出回归方程后就需要对回归方程进行检验。 检验的假设是总体回归系数为Oo另外要检验回归方程对因变量 的预测效果如何。 1）回归系数的显著性检验 ①对斜率的检验，假设是：总体回归系数为b = Q.检验该假 设的/值计算公式是:t = b/SEb，其中SE是回归系数的标准误。 对截距的检验，假设是：总体回归方程截距0 = 0。检验 该假设的/值计算公式是:t = b/SE°,其中SE是截距的标准误。 2） A?判定系数 在判定一个线性回归直线的拟合优度的好坏时，A：系数是 一个重要的判定指标。A?判定系数等于回归平方和