spss中的回归分析.pptxVIP

5-7-1 线性回归模型;参数估计 最小二乘法 模型统计推断检验 拟合优度检验 方程显著性检验（F检验） 变量显著性检验（t检验） ; （1）拟合优度检验 回归方程的拟合优度检验就是要检验样本数据聚集在样本回归直线周围的密集程度，从而判断回归方程对样本数据的代表程度。 ; （2）回归方程的显著性检验（F检验） 回归方程的显著性检验是对因变量与所有自变量之间的线性关系是否显著的一种假设检验。 回归方程的显著性检验一般采用F检验，利用方差分析的方法进行。 ; Fα; （3）回归系数的显著性检验（t检验） 所谓回归系数的显著性检验，就是根据样本估计的结果对总体回归系数的有关假设进行检验。 之所以对回归系数进行显著性检验，是因为回归方程的显著性检验只能检验所有回归系数是否同时与零有显著性差异，它不能保证回归方程中不包含不能较好解释说明因变量变化的自变量。因此，可以通过回归系数显著性检验对每个回归系数进行考察。 ; 回归参数显著性检验的基本步骤。 ① 提出假设 ② 计算回归系数的t统计量值 ③ 根据给定的显著水平α确定临界值，或者计算t值所对应的p值 ④ 作出判断;一、一元线性回归 y=a+bx 例5-7-1 已知我国分地区家庭人均食品支出、人均收入。试作一元线性回归分析。（e5-7-1) ; 操作步骤：使用系统默认选择项进行线性回归分析 Analyze-------Regression---------Linear 分析——回归——线性 ;输出结果及结果分析;;;;回归方程： 常数项=-53.086, 回归系数=0.422, 则线性回归方程为: y=-53.086+0.422x ;二、多元回归分析 1、从“Analyze” （分析）——“Regression”（回归）——“Linear”（线性），打开 Linear线性回归主对话框 。; 2、在左侧的源变量栏中选择一数值变量作为因变量进入Dependent栏中，选择一个或更多的变量作为自变量进入Independent（s）栏中。 3、如果要对不同的自变量采用不同的引入方法，可利用“Previous” 与“Next” 按钮把自变量归类到不同的自变量块(Block)中，然后对不同的变量子集选用不同的引入方法（Method）。 Enter（进入）：强迫引入法，默认选择项。定义的全部自变量均引入方程。 Remove（移去）：强迫剔除法。定义的全部自变量均删除。 Forward（向前）：向前引入法。自变量由少到多一个一个引入回归方程，直到不能按检验水准引入新的变量为止。该法的缺点是：当两个变量一起时效果好，单独时效果不好，有可能只引入其中一个变量，或两个变量都不能引入。 Backward（向后）：向后剔除法。自变量由多到少一个一个从回归方程中剔除，直到不能按检验水准剔除为止，能克服向前引入法的缺点。当两个变量一起时效果好，单独时效果不好，该法可将两个变量都引入方程。 Stepwise（逐步）：逐步引入一剔除法。将向前引入法和向后剔除法结合起来，在向前引入的每一步之后都要考虑从已引入方程的变量中剔除作用不显著者，直到没有一个自变量能引入方程和没有一个自变量能从方程中剔除为止。缺点同向前引入法，但选中的变量比较精悍。 ; 说明：为弥补各种选择方法和各种标准的局限性，不妨分别用各种方法和多种引入或剔除处理同一问题，若一些变量常被选中，它们就值得重视。 4、 Selection variable(选择变量）：可从源变量栏中选择一个变量，单击Rule后，通过该变量大于、小于或等于某一数值，选择进入回归分析的观察单位。 5、Case Labels（个案标签）：在左侧的源变量框中选择一变量作为标签变量进入 Case Labels框中。; 6、Statistics（统计）对话框 单击“Statistics”按钮，进入统计对话框如图:; Estimates(默认选择项)：回归系数的估计值(B)及其标准误（Std．Error）、常数（Constant）；标准化回归系数（Beta）；B的t值及其双尾显著性水平(Sig.）。 Model fit（默认选择项）：列出进入或从模型中剔除的变量；显示下列拟合优度统计量:复相关系数（R）、判定系数（R2）、调整 R2（Adjusted R Squar