SPSS基本统计分析方法：7-相关与回归.pptVIP

练习 简单回归分析 结果分析 对模型的简单汇总，即对回归方程拟合情况的描述。本例决定系数为0.774。 简单回归分析 结果分析 对模型进行方差分析的结果，说明模型具有统计学意义。 简单回归分析 结果分析 给出了回归方程中的常数项、回归系数的估计值和检验结果，可写出回归方程如下： 血硒值 ＝ - 6.943＋0.239×发硒值 最重要 多重线性回归分析 例4：27名糖尿病人的血清总胆固醇（x1）、甘油三脂（x2）、空腹胰岛素（x3）、糖化血红蛋白（x4）、空腹血糖（y）的测量值列于下表中，试建立血糖与其它几项指标关系的多重线性回归方程，数据见DM.sav。 27名糖尿病患者的血糖及有关变量的测量结果 多重线性回归分析 Step1：绘制散点图矩阵 多重线性回归分析 Step2：多重线性回归的参数估计及假设检验 多重线性回归分析 结果分析 给出了自变量进入模型的方式，此处尚未涉及变量筛选问题，因为四个变量是被强行纳入模型的（Method为Enter）。 多重线性回归分析 结果分析 模型拟合优度情况的检验，结果显示，复相关系数为0.775，决定系数为0.601，调整的决定系数为0.528，还输出了剩余标准差。 多重线性回归分析 结果分析 回归模型的假设检验结果，显示F＝8.278，P0.001，说明所建立的回归模型是有统计学意义的，至少有一个自变量的回归系数不为0。 多重线性回归分析 结果分析 给出了模型的常数项以及四个自变量的偏回归系数及其检验结果，可以写出回归方程如下： 多重线性回归分析 主要结果 自变量的选择 一般来说，多重线性回归方程中自变量个数的多少应事先由专业人员和统计学家根据专业知识和经验确定。 实际应用中，自变量的个数往往难以事先确定。 自变量选择的不合适（过多或过少）往往会大幅度降低回归模型的精度，为此应将回归效果显著的自变量选入方程，将不显著的自变量从方程中剔除。 如何合理选择自变量就显得尤为重要！ 多重线性回归分析 逐步回归分析 逐步回归分析 输出SPSS在逐步回归过程中拟合的2个步骤中，每一步引入模型的变量情况。 结果分析 逐步回归分析 结果分析 分别输出拟合的2个模型中，拟合优度情况的检验结果：复相关系数、决定系数、调整的决定系数以及剩余标准差。 逐步回归分析 结果分析 给出了各个拟合模型的常数项以及各自变量的偏回归系数及其检验结果。 逐步回归分析 例题中逐步回归模型回归系数的估计及检验结果 逐步回归分析 结果分析 建立“最优”回归方程为： 结果表明：血糖的变化与总胆固醇和糖化血红蛋白有线性回归关系。由标准化回归系数看出，糖化血红蛋白对空腹血糖的影响最大。 逐步回归分析 结果分析 回归模型的前提假设（LINE） 线性(Linear) —散点图、残差图 独立性(Independent) —根据专业知识判断 正态性(Normal) —残差的直方图或正态概率图 方差齐性(Equal variance) —X、Y的散点图或残差的散点图 知识点回顾： 残差分析 模型适用条件的检验－因变量与自变量之间存在线性关系的检验（以例1为例） 残差分析 模型适用条件的检验－独立性的检验 通过Linear Regression过程的statistics按钮中的Durbin-Watson检验进行判断。若自变量数少于4个，统计量接近2，基本上可以肯定残差间相互独立。仍以例1为例，结果如下 。 残差分析 模型适用条件的检验－方差齐性的检验 残差分析 模型适用条件的检验－正态性的检验 绘制残差的直方图及PP图的复选框 残差分析 模型适用条件的检验－正态性的检验结果 小 结 相关系数r表示两变量间的直线相关程度，r值的范围为-1~1。r 为正表示X与Y之间为正相关，r为负表示负相关。r 接近于0表示两变量间关系不密切。但r有抽样误差，故算得相关系数之后，必须检验相应的总体相关系数?是否为0。 小 结 研究中一般只涉及直线相关关系，但从理论上讲，可以进行变量间的曲线相关分析；如果希望扣除其他变量的影响，可以进行偏相关分析；如果变量不满足线性相关分析的适用条件，则可以进行Spearman秩相关分析。 小 结 回归模型的建立步骤 ⑴绘制散点图，观察变量间的趋势。（不能随意省略） ⑵考察数据分布，进行必要的预处理。 ⑶进行直线回归分析。 ⑷残差分析。（最重要和直观的方法是图示法） ⑸强影响点的诊断和多重共线性的判断。 小 结 ① 在意义和应用上，回归反映两变量间的依存关系，相关反映两变量间的相互关系。 ② 在资料要求上，相关要求X与Y都是随机变量，而且服从双变量正态分布，这种资料若进行回归分析，一般称为Ⅱ型回归模型。而回归要求应变量Y是随机变量，服从正态分布，自变量是固定的非随机变量，建立的模型称为Ⅰ型回归模型。 相关