SPSS系统教程教学课件.ppt

总体一元线性 回归方程: 样本一元线性回归方程： 以样本统计量估计总体参数 斜率（回归系数） 截距 截距a 表示在没有自变量x的影响时，其它各种因素对因变量y的平均影响；回归系数b 表明自变量x每变动一个单位，因变量y平均变动b个单位。 (估计的回归方程) （一元线性回归方程） 随机干扰：各种偶然因素、观察误差和其他被忽视因素的影响 X对y的线性影响而形成的系统部分，反映两变量的平均变动关系，即本质特征。 一元线性回归方程 中参数a、b的确定： 最小平方法 基本数学要求： 【分析】因为工业总产值与能源消耗量之间存在高度正相关关系（ ），所以可以拟合工业总产值对能源消耗量的线性回归方程。 【例】建立工业总产值对能源消耗量的线性回归方程 资料 解：设线性回归方程为 整理得到由两个关于a、b的二元一次方程组成的方程组： 进一步整理，有： 即线性回归方程为： 计算结果表明，在其他条件不变时，能源消耗量每增加一个单位（十万吨），工业总产值将增加0.7961个单位（亿元）。 回归系数b与相关系数r的关系： r＞0 r＜0 r=0 b＞0 b＜0 b=0 * 线性回归的操作步骤 * SPSS线性回归的输出格式： * SPSS线性回归的输出格式： * 回归方程的拟合优度与评价 * 离差平方和的分解 每个因变量y的实际值与其平均数之间存在的总离差（y- ）的平方和称为总离差平方和，简称总变差。 总变差 回归变差 估计值 与平均数 离差的平方和，称为回归变差（可解释变差）。 剩余变差 每个观察值y与估计值 的离差平方和，称为剩余变差（未解释变差。 * 剩余平方和 回归平方和 总离差平方和 * Lyy=U+Q 总离差平方和 回归平方和 剩余（误差）平方和 * 判定系数 是指因变量的总变差中可以被自变量解释部分的比例，即可解释因素的影响程度。用来说明因变量的变化有多少可通过自变量得到解释。是衡量拟合模型优劣的重要分析指标。 r2值越大，说明回归模型拟合得愈优。 * 判定系数与相关系数的关系 二者均可测定两变量的线性相关密切程度 * 判定系数与相关系数的区别： 判定系数无方向性（不能反映负相关），相关系数则有方向，其方向与样本回归系数 b 相同（可反映正相关，也可反映负相关）； 判定系数说明变量值的总离差平方和中可以用回归线来解释的比例，相关系数只说明两变量间关联程度及方向。 * 估计标准误差 是因变量各实际值与其估计值之间的平均差异程度，表明其估计值对各实际值代表性的强弱；其值越小，回归方程的代表性越强，用回归方程估计或预测的结果越准确。可从一方面反映回归模型拟合的优劣状况。 * 在大样本条件下，可用公式计算： 【例】计算前面拟合的工业总产值对能源消耗量回归方程的回归标准差 资料 * 估计标准差越小，则变量间相关程度越高，回归线对Y的解释程度越高。 判定系数与估计标准误差的关系： * 相关系数的显著性检验（t检验法） ⒊ 根据给定的显著性水平?，确定临界值 ； ⒌ 计算检验统计量并做出决策。 ⒋ 确定原假设的拒绝规则: 若 ，则接受H0 ,表示总体两变量间线性相关性不显著; 若 ，则拒绝H0 ,表示总体两变量间线性相关性显著 步 骤 * 【例】检验工业总产值与能源消耗量之间的线性相关性是否显著 资料 当 成立时，则统计量 * 回归方程的估计与预测 估计的前提：回归方程经过检验，证明 X 和 Y 的关系在统计上是显著相关的。 对于给定的 X 值，求出 Y 平均值的一个估计值或 Y 的一个个别值的预测值。 对于给定的 X 值，求出 Y 的平均值的置信区间或 Y 的一个个别值的预测区间。 点估计 区间估计 * 点估计 若 x = 80（十万吨），则： * 区间估计 对于给定的 x = x0 ，Y 的1-?置信区间为： 自由度为n-2的 t 分布 的 ? 水平双侧分位数 * 从表中可看出， Pearson相关系数为0.865，即小鸡的体重与鸡冠的相关系数为0.865，这两者之间不相关的双尾检验值为0.001。体重观测值的协方差为100.278，而鸡冠重观测值的协方差为761.556，体重和鸡冠重的协方差为239.111。 从统计结果可得到，小鸡的体重与鸡冠重之间存在正相关关系，当小鸡的体重越大时，则小鸡的鸡冠越重。并且，否定了小鸡的体重与鸡冠重之间不相关的假设。 Pearson相关系数距阵 * 2、定序变量的Spearman分析实例 为研究集团迫使个人顺从的效应，一些研究者用F量表和为测量地位欲而设计的一种量表对12名