93spss多元回归分析.pptxVIP

SPSS 回归分析一、线性回归模型的确定影响因变量的自变量只有一个变量的称之为一元，有两个或两个以上的时候称之为多元，如果他们之间有线性关系，就是线性回归。线性关系的确定方法：对于多元的情况，绘制每个自变量与因变量的散点图，并通过相关性检验确定它们之间存在线性关系；对于不存在线性关系的变量，则找出它们之间的非线性关系，之后再利用非线性关系将相关数据线性化（如y=a*lnx，则将所有数据取自然对数）。从而确定所有变量都与因变量存在线性关系，为进行多元线性回归做好准备。二、线性回归模型一元线性回归方程: y=a+bxa称为截距b为回归直线的斜率多元线性回归方程: y=b0+b1x1+b2x2+…+bnxnb0为常数项b1、b2、…、bn称为y对应于x1、x2、…、xn的回归系数一元线性回归模型的确定:一般先做散点图,以便进行简单地观测，若散点图的趋势大概呈线性关系，可以建立线性方程，若不呈线性分布，可建立其它方程模型，并比较R2 来确定一种最佳方程式（曲线估计）。 二、多元线性回归模型的统计检验1、多重共线性分析（仅多元回归分析检验） 多重共线性是指解释变量之间存在线性相关关系的现象，该现象的存在会导致：有可能回归方程的F统计量高度显著，而每个t统计量不显著，严重影响回归效果。测度多重共线性一般有以下方式：（spass操作：分析-回归-线性-在统计量对话框中选共线性分析）1、容差越大则与方程中其他自变量的共线性越低,应进入方程. 具有太小容忍度的变量不应进入方程,spss会给出警告。◇判断方法：容差0.1一般认为该变量与其它变量有多重共线性问题。2、方差膨胀因子(VIF):容差的倒数3、条件索引。指最大特征根与第i个特征根比的平方根。◇判断方法：通常，当条件索引在0-10之间时说明多重共线性较弱；当条件指数在10-100之间说明多重共线性较强；当条件指数大于100时说明存在严重的多重共线性。注：对存在共线性的变量应去除，逐步删除容差最小的变量，spass会自动去除共线性变量，并给出相关结果。(选“进入”方法则不会)二、线性回归模型的统计检验2、回归方程的拟合优度 回归直线与各观测点的接近程度称为回归方程的拟合优度，也就是样本观测值聚集在回归线周围的紧密程度 。其检验统计量与一元线性回归相同：说明：R2体现了回归方程所能解释的因变量变差的比例;1-R2则体现了因变量总变差中，回归方程所无法解释的比例。R2越接近于1，则说明回归平方和占了因变量总变差平方和的绝大部分比例，因变量的变差主要由自变量的不同取值造成，回归方程对样本数据点拟合得好。Spss中的相关结果在“模型汇总b”中二、线性回归模型的统计检验3、回归方程的显著性检验（方差分析F检验） 回归方程的显著性检验是要检验被解释变量与所有的解释变量之间的线性关系是否显著。◇原假设H0: β =0 即:回归系数与0无显著差异一元回归分析检验统计量：多元回归分析检验统计量：◇计算F统计量的值和相伴概率p（spss中为sig，默认应小于0.05），如果F值较大且p=a，则拒绝H0,即:回归系数与0有显著差异，则说明自变量造成的因变量的线性变动远大于随机因素对因变量的影响,自变量于因变量之间的线性关系较显著。反之，不能拒绝H0。spss结果在分析表“Anovab”中。二、线性回归模型的统计检验4、回归系数的显著性检验（t检验） 回归系数的显著性检验是要检验回归方程中被解释变量与每一个解释变量之间的线性关系是否显著。H0:βi=0 即:回归系数与0无显著差异 一元回归分析检验统计量 多元回归分析检验统计量◇计算t统计量的值和相伴概率p （spss中为sig，默认应小于0.05），p=a，拒绝H0,即:回归系数与0有显著差异，则说明自变量造成的因变量的线性变动远大于随机因素对因变量的影响,自变量于因变量之间的线性关系较显著。反之，不能拒绝H0。 spss中相关结果在 “系数a”中。注：对于显著性不高的变量应去除，再回归。二、多元线性回归模型的统计检验5、残差分析（在统计量中勾选durbin-watson，在绘制中勾选正态图） 残差是指由回归方程计算得到的预测值与实际样本值之间的差距，定义为： 对于线性回归分析来讲，如果方程能够较好的反映被解释变量的特征和规律性，那么残差序列中应不包含明显的规律性。1、检验残差的分布是否为正态，一般用p-p图，如果各观测的散点均匀地分布在对角线上，可以判断残差服从正态分布。2、检验残差的独立性（DW检验）。 DW检验用来检验残差的自相关。 检验统计量为：◇判断：DW=2表示无自相关，在0-2之间说明存在正自相关，在2-4之间说明存在负的自相关。一般情况下，DW值在1.5-2.5之间即可说明无自相关现象。残差序列不存在自相关,可以认为回归