多元线性回归spss实验报告.docxVIP

回归分析基本分析： 将毕业生人数移入因变量，其他解释变量移入自变量。在统计量中选择估计和模型拟合度，得到如图 输入／移去的变量 模型 输入的变量 移去的变量 方法 1 教职工总数(万人), 专利申请授权数(件), 研究与试验发展机构数(个), 普通高校数(所), 发表科技论文数量(篇), 在校学生数(万人)a . 输入 a. 已输入所有请求的变量。 模型汇总 模型 R R 方 调整 R 方 标准 估计的误差 1 .999a .998 .997 9.822 a. 预测变量: (常量), 教职工总数(万人), 专利申请授权数(件), 研究与试验发展机构数(个), 普通高校数(所), 发表科技论文数量(篇), 在校学生数(万人)。 注解：模型的拟合优度检验：　　 　　第二列：两变量（被解释变量和解释变量）的复相关系数R=0.999。 　　第三列：被解释向量（毕业人数）和解释向量的判定系数R2=0.998 　　第四列：被解释向量（毕业人数）和解释向量的调整判定系数R2=0.971 第五列：回归方程的估计标准误差＝9.822 Anovab 模型 平方和 df 均方 F Sig. 1 回归 449287.911 6 74881.319 776.216 .000a 残差 675.288 7 96.470 总计 449963.199 13 a. 预测变量: (常量), 教职工总数(万人), 专利申请授权数(件), 研究与试验发展机构数(个), 普通高校数(所), 发表科技论文数量(篇), 在校学生数(万人)。 b. 因变量: 毕业生数(万人) 回归方程的显著性检验-回归分析的方差分析表 F检验统计量的值=776.216，对应的概率p值=0.000，小于显著性水平0.05，应拒绝回归方程显著性检验原假设（回归系数与0不存在显著性差异），认为：回归系数不为0，被解释变量(毕业生人数)和解释变量的线性关系显著，可以建立线性模型。 系数a 模型 非标准化系数 标准系数 t Sig. B 标准 误差 试用版 1 (常量) -544.366 327.704 -1.661 .141 普通高校数(所) .032 .047 .068 .683 .516 研究与试验发展机构数(个) .009 .008 .142 1.086 .313 发表科技论文数量(篇) .001 .000 .632 3.749 .007 专利申请授权数(件) .000 .000 -.103 -1.454 .189 在校学生数(万人) -.100 .301 -.296 -.333 .749 教职工总数(万人) 3.046 4.394 .556 .693 .511 a. 因变量: 毕业生数(万人) 注解：回归系数的显著性检验以及回归方程的偏回归系数和常数项的估计值 第二列：常数项估计值=-544.366；其余是偏回归系数估计值。 第三列：偏回归系数的标准误差。 第四列：标准化偏回归系数。 第五列：偏回归系数T检验的t统计量。 第六列：t统计量对应的概率p值；小于显著性水平0.05，拒接原假设（回归系数与0不存在显著性差异），认为回归系数部位0，被解释变量与解释变量的线性关系是显著的；大于显著性水平0.05，接受原假设（回归系数与0不存在显著性差异），认为回归系数为0被解释变量与解释变量的线性关系不显著的。 于是，多元线性回归方程为： y=-544.366+0.032x1+0.009x2+0.001x 回归分析的进一步分析： 1.多重共线性检验 系数a 模型 非标准化系数 标准系数 t Sig. 共线性统计量 B 标准 误差 试用版 容差 VIF (常量) -544.366 327.704 -1.661 .141 普通高校数(所) .032 .047 .068 .683 .516 .022 45.569 研究与试验发展机构数(个) .009 .008 .142 1.086 .313 .012 80.022 发表科技论文数量(篇) .001 .000 .632 3.749 .007 .008 132.540 专利申请授权数(件) .000 .000 -.103 -1.454 .189 .043 23.189 在校学生数(万人) -.100 .301 -.296 -.333 .749 .000 3672.177 教职工总数(万人) 3.046 4.394 .556 .693 .511 .000 2996.649 a. 因变量: 毕业生数(万人) 从容差和方差膨胀因子来看，在校学生数和教职工总数与其他解释变量的多重共线性很严重。在重新建模中可以考虑剔除该变量 共线性诊断a 模型 维数 特征值 条件索引 方差比例 (常量) 普通高校数(所) 研究与试验发展机构数(个) 发表科技论文数