经典实用的spss课件 十二、多重线性回归模型.pptVIP

浙江大学医学院流行病与卫生统计学教研室 沈毅 多重线性回归模型 内容提要 模型简介 简单实例分析 逐步回归 残差分析 模型进一步诊断与修正 小结 模型简介 生活中发生的许多现象都不是独立的，而是相互作用、相互影响的。一种结果的出现往往是多个因素、多个环节共同作用的结果。抛开其他因素，仅考察其中一个影响因素对结果的影响，所得出的结论是片面的，甚至可能是错误的。 本章所要讨论的问题是如何同时考虑多个因素对同一结果的影响。此时，因变量只有一个，也称反应变量，常用y表示。自变量也称解释变量，有多个。 模型简介 多重线性回归模型 其中，βj是偏回归系数（Partial regression coefficient），它表示在其它自变量固定不变的情况下，Xj每改变一个测量单位时所引起的应变量Y的平均改变量，p为自变量的个数，ε为残差，独立服从 N（0，σ2）分布。 自变量与因变量之间存在线性关系，可以通过绘制“散点图矩阵”予以考察； 各观测间相互独立； 残差服从正态分布； 方差齐性。 模型简介－应用条件 多重线性回归模型使用最小二乘法来解决方程的估计和检验问题。 简单分析实例 例1 为研究男性高血压患者血压与年龄、身高、体重等变量的关系，随机测量了32名40岁以上男性的血压y、年龄x1、体重指数x2, 试建立多重线性回归方程。数据文件见mreg2.sav。 简单分析实例－初步分析 初步分析： 与简单线性回归相类似，先绘制散点图，以便在进行回归分析之前了解各变量之间是否存在线性关系。本例有两个自变量与一个反应变量，绘制散点图矩阵，如下。 绘制散点图矩阵 简单分析实例－初步分析 简单分析实例 简单分析实例 简单分析实例 结果分析 给出了自变量进入模型的方式，此处尚未涉及变量筛选问题，因为两个变量是被强行纳入模型的（Method为Enter），当然就不存在剔除变量的事情了。 简单分析实例 结果分析 模型拟合优度情况的检验，结果显示，复相关系数为0.840，决定系数为0.706，调整的决定系数为0.686，还输出了剩余标准差。 简单分析实例 结果分析 回归模型的假设检验结果，显示F＝34.808，P0.001，说明所建立的回归模型是有统计学意义的，至少有一个自变量的回归系数不为0。 简单分析实例 结果分析 给出了模型的常数项以及两个自变量的偏回归系数及其检验结果，可以写出回归方程如下： Y ＝54.798 +1.379x1 +4.513x2 主要结果 SPSS 结果中输出偏回归系数的同时，也输出了各自的标准偏回归系数。年龄的标准化偏回归系数为0.664，体重指数的标准化偏回归系数为0.247，因此，可以认为，年龄对血压的影响比体重指数对血压的影响大。 简单分析实例 结果分析 例2 仍以例1的资料为例，试作逐步回归分析。数据文件见mreg2.sav。 逐步回归 逐步回归 逐步回归 逐步回归 输出SPSS在逐步回归过程中拟合的步骤中，每一步引入模型的变量情况,此处只有一个变量引入。 结果分析 逐步回归 结果分析 分别输出拟合的模型中，拟合优度情况的检验结果：复相关系数、决定系数、调整的决定系数以及剩余标准差。本例只有一步，故结果很简单，仅拟合一个模型。 逐步回归 结果分析 给出各个拟合模型的常数项以及各自变量的偏回归系数、95％可信区间及其检验结果（此处为仅有一步的结果）。 逐步回归 结果分析 给出拟合模型过程中被剔除的变量情况及其检验结果（此处为仅有一步）。 残差分析 非标准化残差（原始残差） 标准化残差（Pearson残差） 学生化残差 剔除残差 学生化剔除残差 残差种类 残差分析 模型适用条件的检验－因变量与自变量之间存在线性关系的检验（以例1为例：年龄） 残差分析 模型适用条件的检验－因变量与自变量之间存在线性关系的检验（以例1为例：体重指数） 残差分析 模型适用条件的检验－独立性的检验 通过Linear Regression过程的statistics按钮中的Durbin-Watson检验进行判断。若自变量数少于4个，统计量接近2，基本上可以肯定残差间相互独立。仍以例1为例，结果如下 。 残差分析 模型适用条件的检验－方差齐性的检验 残差分析 模型适用条件的检验－正态性的检验 绘制残差的直方图及PP图的复选框 残差分析 模型适用条件的检验－正态性的检验结果 浙江大学医学院流行病与卫生统计学教研室 沈毅