回归分析应用实例.docVIP

PAGE PAGE 1 应用实例 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），数据见表7.1.5，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，见表7.1.6～表7.1.13。 表7.1.5 试题难度回归计算数据 序 Y x1 x2 x3 序 Y x1 x2 x3 1 -1.5 1 1 3 11 -0.2 2 4 4 2 -1.3 1 2 2 12 0.0 3 3 5 3 -1.0 2 1 1 13 0.1 4 3 3 4 -0.8 1 1 4 14 0.1 3 4 1 5 -0.7 2 1 3 15 0.2 4 5 2 6 -0.5 1 2 1 16 0.3 4 4 2 7 -0.5 2 2 5 17 0.3 4 3 1 8 -0.4 2 3 4 18 0.5 5 4 4 9 -0.3 3 2 2 19 0.8 4 5 3 10 -0.3 3 3 5 20 1.0 5 5 2 表7.1.6 平均数标准差 Descriptive Statistics Mean Std. Deviation N Y -.210000 .656867 20 X1 2.800000 1.321881 20 X2 2.900000 1.372665 20 X3 2.850000 1.386969 20 表7.1.7 相关系数与检验结果 Correlations Y X1 X2 X3 Pearson Correlation Y 1.000 .901 .869 -.048 X1 .901 1.000 .772 -.075 X2 .869 .772 1.000 -.036 X3 -.048 -.075 -.036 1.000 Sig. (1-tailed) 单侧检验 Y . .000 .000 .420 X1 .000 . .000 .377 X2 .000 .000 . .440 X3 .420 .377 .440 . N Y 20 20 20 20 X1 20 20 20 20 X2 20 20 20 20 X3 20 20 20 20 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。 表7.1.8 保留方程中的变量与方法 Variables Entered/Removed Model Variables Entered Variables Removed Method 1 X3, X2, X1 . Enter a All requested variables entered. b Dependent Variable: Y 表7.1.9 复相关系数与估计值的标准差 Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics R Square Change F Change df1 df2 Sig. F Change 1 .941 .886 .864 .241798 .886 41.406 3 16 .000 a Predictors: (Constant), X3, X2, X1 b Dependent Variable: Y R2=0.886，说明因变量Y的变化88.6%是由自变量引起的。 表7.1.10 方差分析表 ANOVA Model Sum of Squares df Mean Square F Sig. 1 Regression 7.263 3 2.421 41.406 .000 Residual .935 16