相关分析和一元线性回归分析SPSS报告.docxVIP

用下面的数据做相关分析和一元线性回归分析： 选用普通高等学校毕业生数和高等学校发表科技论文数量做相关分 析和一元线性回归分析。 一、相关分析 1. 作散点图 普通高等学校毕业生数和高等学校发表科技论文数量的相关图 从散点图可以看出：普通高等学校毕业生数和高等学校发表科技论文 数量的相关性很大。 2. 求普通高等学校毕业生数和高等学校发表科技论文数量的相关系 数 把要求的两个相关变量移至变量中，因为都是定距数据，选择相关系 数中的 Pearson，点击确定，可以得到下面的结果： 普通高等学校毕 高等学校发表科 技论文数量(篇) .998** .000 14 1 14 **. Correlation is significant at the 0.01 level (2-tailed). 两相关变量的Pearson相关系数=0.0998，表示呈高度正相关；相关系数检验对应 的概率P值=0.000，小于显著性水平0.05，应拒绝原假设（两变量之间不具有相 关性），即毕业生人数好发表科技论文数之间的相关性显著。 3. 求两变量之间的相关性 选择相关系数中的全部，点击确定： (篇) 1.000** Kendalls tau_b . 14 1.000 . 14 1.000** . 14 1.000 . 14 **. Correlation is significant at the 0.01 level (2-tailed). 注解：两相关变量（毕业生数和发表论文数）的Kendall相关系数=1.000，呈正相 关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性）， 即毕业生数与发表论文数之间相关性不显著。 两相关变量（毕业生数和发表论文数）的Spearman相关系数=1.000，呈正相关； 无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性）， 即毕业生数与发表论文数之间相关性不显著。 4. 普通高等学校毕业生数和高等学校发表科技论文数量的相关系数 将所求变量移至变量，将控制变量移至控制中，选中显示实际显 著性水平，点击确定： 普通高等学校毕 高等学校发表科技 业生数(万人) 论文数量(篇) .998** .000 14 1 14 **. Correlation is significant at the 0.01 level (2-tailed). 注解:两相关变量（普通高校毕业生数和发表论文数）的偏相关系数=0.998，呈正 相关；对应的偏相关系数双侧检验p值0，小于显著性水平0.05，应拒绝原假设（两 变量之间不具有相关性），即普通高校毕业生数与发表论文数之间相关性显著。 二、一元线性回归 从前面的相关分析可以看出普通高等学校毕业生数和高等学校发 表科技论文数量呈高度正相关关系，所以，下面对这两个变量做 一元线性回归分析。 1. 建立回归方程 点击选项，选中使用F的概率，如上图所示。点击继续，确定： Variables Entered/Removedb a. All requested variables entered. b. Dependent Variable: (万人) 此图显示的是回归分析方法引入变量的方式。 Std. Error of the Estimate 11.707 a. Predictors: (Constant), (篇) 此图是回归方程的拟合优度检验。 注解：上图是回归方程的拟合优度检验。 第二列：两变量（被解释变量和解释变量）的相关系数R=0.998. 第三列：被解释变量（毕业人数）和解释变量（发表科技论文数）的判定系数 2=0.996是一元线性回归方程拟合优度检验的统计量；判定系数越接近1，说明 回归方程对样本数据的拟合优度越高，被解释变量可以被模型解释的部分越多。 第四列：被解释变量（毕业人数）和解释变量（发表科技论文数）的调整判定系 数 2=0.996。这主要适用于多个解释变量的时候。 第五列：回归方程的估计标准误差=11.707. Sig. .000a a. Predictors: (Constant), (篇) b. Dependent Variable: (万人) 注解：回归方程的整体显著性检验—回归分析的方差分析 第二列：被解释变量（毕业人数）的总离差平方和=449963.199，被分解为两部 分：回归平方和=448318.664；剩余平方和=1644.535. F检验统计量的值=3271.335，对应概率的P值=0.000，小于显著性水平0.05，应拒 绝回归方程显著性检验的原假设（回归系数与0不存在显著性差异），结论：回 归系数不为0，被解释变量（毕业人数）与解释变量（发表科技论文数）的线性 关系是显著的，可以建立线性模型。 Coefficient