回归分析实例.pptVIP

多元线性回归 例1 某研究者意欲建立一个线性回归方程，帮助命题者估计试题难度，认为试题难度Y受试题的能力层次x1、内容深度x2、试题类型x3这3个因素的影响，因此把每个因素都按对难度影响强度大小分为5个层次并加以界定，然后对20道抽样试题分因素评分并且又计算了这20道试题的实测难度值（以标准分表示），数据见”回归分析”，试建立3元回归方程。 选择“Analyze ”→“Regression”→“Linear”项，打开线性回归主对话框。将因变量Y放入“Dependent”框，自变量x1、x2、x3放入“Independents”框。在“Method”中选择默认的方法“Entre”，回归方程中保留全部自变量；按“Statistics”按钮，除了两个默认项“Estimates”、“Model fit”外，另外选择“R squared change”、“Descriptives”、“Casewise diagnostic”中的“All Cases”项，输出回归分析的一些常用结果与每一例的标准化残差、实测值、预测值及残差；按“Save”按钮，选择两个“Unstandardized”项，保存未标准化的预测值与残差，按“OK”按钮，得到计算结果， 结果分析 变量x3与其它变量的相关系数很小，经检验，均不显著。其余变量之间的相关系数较大，经检验，均高度显著。 R2=0.886，说明因变量Y的变化88.6%是由自变量引起的。 F=41.406，P0.01，回归方程高度显著。 变量x3无显著意义，可以考虑将其剔除。 回归方程为： Y=-1.613+0.284x1+0.205x2+0.004765x3 例:测试了30名学生的7项指标，数据见“逐步回归分析”，试进行多元回归分析与逐步回归分析。 多元回归分析 选择“Analyze ”→“Regression”→“Linear”项，打开线性回归主对话框。将因变量Y放入“Dependent”框，自变量x1、x2、x3、 x4、x5、x6放入“Independents”框。在“Method”中选择默认的方法“Enter”，回归方程中保留全部自变量；按“Statistics”按钮，除了两个默认项外，另外选择“R squared change”、“Descriptives”、“Part and partial correlations”、“Casewise diagnostic”中的“All Cases”项，输出回归分析的一些常用结果；按“Save”按钮，选择两个“Unstandardized”项，保存未标准化的预测值与残差，按“OK”按钮，得到结果如下。 逐步回归分析 选择“Analyze ”→“Regression”→“Linear”项，打开线性回归主对话框。将因变量Y放入“Dependent”框，自变量x1、x2、x3、 x4、x5、x6放入“Independents”框。在“Method”中选择方法“Stepwise”，采用逐步引入-剔除法。按“Statistics”按钮，除了两个默认项外，另外选择“R squared change”、“Descriptives”、“Part and partial correlations”、“Casewise diagnostic”中的“All Cases”，输出一些常用结果；按“Save”按钮，选择两个“Unstandardized”项，保存未标准化的预测值与残差，按“Options”按钮，取“Entry”中的默认值0.05时，只选进x2一个变量，改为0.08时，选进3个变量，认为比较合适，结果如下。 本例的回归方程 回归方程为： Y=0.64+0.292x1+0.542x2-0.008083x5 经试算： 改变“Entry”与“Remove”的值分别为： 0.50、0.51：引入4个变量 0.70、0.71：引入5个变量 0.90、0.91：引入6个变量 Use probability of F：使用F显著水平值，当候选变量中最大的F值的P值小于或等于“Entry”的值时，引入相应的变量；已进入方程的变量中，最小F值的P值大于或等于“Removal”值时，剔除相应的变量。所设定的引入值必须小于剔除值，即“Entry”“Removal”，用户可设定其它标准，如引入值输入0.05、剔除值输入0.1，放宽变量进入方程的标准。希望引入变量多时，提高“Entry”值；希望剔除变量多时，减小“Removal”值。 本例共建立了3个回归方程，哪个回归方程的效果更好呢？下面通过一些指标来判定。 表7.1.29 3个回归方程的比较 由上表知，3元回归方程修正的判定系数最大，剩余标准差Sy最小，F值最大，说明该方程较“优”，预测