《统计分析与spss的应用》课后练习答案(第9章)精品名师资料_8343.docx

《统计分析与 SPSS的应用（第五版） 》（薛薇） 课后练习答案 第 9 章 SPSS的线性回归分析 1、利用第 2 章第 9 题的数据，任意选择两门课程成绩作为解释变量和被解释变量， 利用 SPSS 提供的绘制散点图功能进行一元线性回归分析。请绘制全部样本以及不同性别下两门课程 成绩的散点图，并在图上绘制三条回归直线，其中，第一条针对全体样本，第二和第三条 分别针对男生样本和女生样本，并对各回归直线的拟和效果进行评价。 选择 fore和 phy两门成绩体系散点图 步骤：图形 旧对话框 散点图 简单散点图 定义 将 fore导入 Y 轴，将 phy导入 X 轴，将 sex导入设置标记 确定。 接下来在 SPSS输出查看器中，双击上图，打开图表编辑 在图表编辑器中， 选择“元素” 菜单 选择总计拟合线 选择线性 应用 再选择元素菜单 点击子组拟合线 选择线性 应用。 分析：如上图所示，通过散点图，被解释变量 y(即： fore)与解释变量 phy有一定的线性关系。但回归直线的拟合效果都不是很好。 2、请说明线性回归分析与相关分析的关系是怎样的？ 相关分析是回归分析的基础和前提， 回归分析则是相关分析的深入和继续。 相关分析需要依 靠回归分析来表现变量之间数量相关的具体形式， 而回归分析则需要依靠相关分析来表现变量之间数量变化的相关程度。 只有当变量之间存在高度相关时， 进行回归分析寻求其相关的具体形式才有意义。如果在没有对变量之间是否相关以及相关方向和程度做出正确判断之 前，就进行回归分析，很容易造成“虚假回归” 。与此同时，相关分析只研究变量之间相关 的方向和程度， 不能推断变量之间相互关系的具体形式， 也无法从一个变量的变化来推测另 一个变量的变化情况，因此，在具体应用过程中， 只有把相关分析和回归分析结合起来，才能达到研究和分析的目的。 线性回归分析是相关性回归分析的一种， 研究的是一个变量的增加或减少会不会引起另一个变量的增加或减少。 3、请说明为什么需要对线性回归方程进行统计检验？一般需要对哪些方面进行检验？ 检验其可信程度并找出哪些变量的影响显著、哪些不显著。 主要包括回归方程的拟合优度检验、 显著性检验、 回归系数的显著性检验、 残差分析等。 线性回归方程能够较好地反映被解释变量和解释变量之间的统计关系的前提是被解释变量和解释变量之间确实存在显著的线性关系。 回归方程的显著性检验正是要检验被解释变量和解释变量之间的线性关系是否显著，用线性模型来描述他们之间的关系是否恰当。一般包括回归系数的检验，残差分析等。 4、请说明 SPSS 多元线性回归分析中提供了哪几种解释变量筛选策略？ 向前、向后、逐步。 5、先收集到若干年粮食总产量以及播种面积、使用化肥量、农业劳动人数等数据，请利用 建立多元线性回归方程， 分析影响粮食总产量的主要因素。 数据文件名为 “粮食总产量 .sav ”。 方法：采用“前进“回归策略。 步骤： 分析 回归 线性 将粮食总产量导入因变量、 其余变量导入自变量 方法项选 “前进” 确定。 如下图：（也可向后、或逐步） 已输入 / 除去变量 a 模型 已输入变量 已除去变量 方法 1 施用化肥量 (kg/ 向前（准则： . F-to-enter 的 公顷 ) 概率 = .050 ） 2 向前（准则： 风灾面积比例 . F-to-enter 的 (%) 概率 = .050 ） 3 向前（准则： 年份 . F-to-enter 的 概率 = .050 ） 4 向前（准则： 总播种面积 ( 万 . F-to-enter 的 公顷 ) 概率 = .050 ） 因变量：粮食总产量 (y 万吨 ) 模型摘要 调整后的 R 平 模型 R R 平方 方 标准估算的错误 1 .960 a .922 .919 2203.30154 2 .975 b .950 .947 1785.90195 3 c .969 .966 1428.73617 .984 4 .994 d .989 .987 885.05221 a. 预测变量：（常量），施用化肥量 (kg/ 公顷 ) b. 预测变量：（常量），施用化肥量 (kg/ 公顷 ), 风灾面积比例 (%) c. 预测变量：（常量），施用化肥量 (kg/ 公顷 ), 风灾面积比例 (%), 年 份 d. 预测变量：（常量），施用化肥量 (kg/ 公顷 ), 风灾面积比例 (%), 年 份 , 总播种面积 ( 万公顷 ) a ANOVA 模型 平方和 自由度 均方 F 显著性 1 回归 1887863315.616 1 1887863315.616 388.886 .000 b 残差 160199743.070 33 4854537.669 总计 204806