《spss教程_9-4(回归分析)》-公开课件.pptVIP

例1. 考虑学生体重(因变量)与身高(自变量、定量变量)的关系时，一般需要把男女学生分开来考虑，因为这一关系很可能因为性别的不同而不同。 这些数据储存在SPSS数据文件 height.sav 中。 如果分别考虑男、女生的体重与身高的关系，并假设这一关系为线性的，我们得到(拟合)如下两个简单线性回归方程，括号内为相应系数估计的 p-值。 女生： w0 = -12.446 + 0.422 h0， R2 = 0.214, (.547) (.002) F = 11.165(.002) 男生： w1 = -37.400 + 0.645 h1， R2 = 0.434, (.032) (.000) F = 42.128(.000) 拟合结果表明，男、女生的身高和体重的关系是不同的。 问题是：上述身高和体重的关系在不同性别之间的差异显著吗？ 在上述结果中似乎没有一个合适的量来回答这一问题。 在回归模型中引进哑变量(dummy variable)，我们就可以来回答上述问题。 哑变量的取值为 1 和 0 ，用来区分定性变量取某个特定值还是其它值。例1中的变量 D 就是一个哑变量， 哑变量的应用 —— 例1的带有哑变量的回归模型为如下的多元线性回归模型：(变量 Dh = D×h) w = b 0 + b 1 D + b 2 h + b 3 (Dh) + e (1) 对于女生，D = 0，模型(1)变为 w = b 0+ b 2 h + e； 而男生的模型则为 w = (b 0+ b 1) + (b 2 + b 3) h + e。 拟合得到如下的回归方程： w = -12.446 – 24.954 D + 0.422 h + 0.223 Dh (.534) (.347) (.001) (.166) 由拟合结果可以看出，变量 D 和 Dh 的系数均不显著。因此可以说，性别对身高和体重关系的影响不显著。 但是，由于 b 0 不显著，因此我们需对模型作修改： w = – 37.4 D + 0.346 h + 0.299 Dh (.033) (.000) (.004) 此时，变量 D 和 Dh 的系数均为显著的。 因此我们说，性别对身高和体重关系的影响是显著的。 w = – 37.4 D + 0.346 h + 0.299 Dh 一、定性因变量的回归方程的意义 设因变量 y只是取0，1两个值的定性变量，考虑简单线性回归模型： 由于， 是0—1型贝努利随机变量，则得如下分布 根据随机变量的期望值定义，可得 二、定性因变量回归的特殊问题 1. 离散非正态误差项 2. 零均值异方差性 3. 回归方程的限制 三 Logistic回归模型 针对0—1型因变量产生的问题，对回归 模型应该作两个方面的改进。 1. 回归函数应该改用限制在 区间内的 连续曲线，而不能再沿用直线回归方程 。 2. 因变量本身只取0，1两个离散值，不适于 直接作为回归模型中的因变量，可以用 等于1的比例代替 本身作为因变量。 * * 3 自变量中有定性变量的回归 D=0 w = 0.346 h D=1 w = – 37.4 +(0.299+ 0.346) h 男生身高对体重的效应大于女生 身高对体重的效应 4 二项 Logistic回归 例子 在一次住房展销会上,与房地产商签定 购房意向书的顾客中,在随后3个月中, 只有一部分购买了房屋. 购买房屋的顾客记为1,没有购买记为0 Logit变换 发生比 Logistic 回归模型 回归系数的含义 发生比(相对风险) 为当x1增加1个单位时, 相对风险的比值 基本操作 Analyze==》Regression==》Binary Logistic Dependent 输入因变量 Covariates 输入自变量 Method:输入自变量筛选策略 Enter:强行进入 Forward:逐步筛选 Backward:向后筛选 Select:选择一个变量作为条件变量 基本操作 Categorical :如果自变量是分类变量 生成虚拟变量