应用回归分析实验报告.docVIP

一元线性回归 一、实验题目1 一家保险公司十分关心其总公司营业部加班的程度，决定认真调查一下现状。经过10周的时间，收集了每周加班时间的数据和签发的新保单数目，x为每周签发的新报数目，y为每周加班时间（小时），数据见下表： 二、实验内容 散点图如下所示： [数据集1] 描述性统计量 均值 标准 偏差 N y 2.850 1.4347 10 x 762.00 379.746 10 相关性 y x Pearson 相关性 y 1.000 .949 x .949 1.000 Sig. （单侧） y . .000 x .000 . N y 10 10 x 10 10 输入／移去的变量b 模型 输入的变量 移去的变量 方法 1 xa . 输入 a. 已输入所有请求的变量。 b. 因变量: y 模型汇总b 模型 R R 方 调整 R 方 标准 估计的误差 更改统计量 R 方更改 F 更改 df1 df2 Sig. F 更改 1 .949a .900 .888 .4800 .900 72.396 1 8 .000 a. 预测变量: (常量), x。 b. 因变量: y Anovab 模型 平方和 df 均方 F Sig. 1 回归 16.682 1 16.682 72.396 .000a 残差 1.843 8 .230 总计 18.525 9 a. 预测变量: (常量), x。 b. 因变量: y 系数a 模型 非标准化系数 标准系数 t Sig. B 的 95.0% 置信区间 B 标准 误差 试用版 下限 上限 1 (常量) .118 .355 .333 .748 -.701 .937 x .004 .000 .949 8.509 .000 .003 .005 a. 因变量: y 残差统计量a 极小值 极大值 均值 标准 偏差 N 预测值 .889 4.958 2.850 1.3614 10 标准 预测值 -1.440 1.548 .000 1.000 10 预测值的标准误差 .154 .291 .209 .050 10 调整的预测值 .834 5.223 2.857 1.3944 10 残差 -.8390 .5259 .0000 .4526 10 标准 残差 -1.748 1.096 .000 .943 10 Student 化 残差 -1.908 1.272 -.006 1.051 10 已删除的残差 -1.0003 .7089 -.0072 .5662 10 Student 化 已删除的残差 -2.419 1.332 -.058 1.170 10 Mahal。 距离 .028 2.398 .900 .856 10 Cook 的距离 .001 .416 .129 .157 10 居中杠杆值 .003 .266 .100 .095 10 a. 因变量: y 残差图分析： 1.x与y之间大致呈线性关系。 2、设回归方程为 = 3、 =0.2305 0.4801 4、 由于 服从自由度为n-2的t分布。因而 也即：= 可得 即为：（0.0028，0.0044） 服从自由度为n-2的t分布。因而 即 可得 5、x与y的决定系数 =0.908 6、由于,拒绝,说明回归方程显著，x与y有显著的线性关系。 7、 其中 接受原假设认为显著不为0，因变量y对自变量x的一元线性回归成立。 8、 相关系数 = 小于表中的相应值同时大于表中的相应值，x与y有显著的线性关系. 9、从图上看，残差是围绕e=0随机波动，从而模型的基本假定是满足的。 10、 11、, 即为（2.7，4.7） 近似置信区间为：，即（2.74，4.66） 12、可得置信水平为为，即为（3.33，4.07）. 一、实验题目2 下表是1985年的美国50个洲和哥伦比亚特区公立学校中教师的人均年工资y（美元）和对学生的人均经费投入x（美元）。 [数据集1] 二、实验内容 (1)绘制y对x的散点图，可以用直线回归描述两者之间的关系吗？ 描述性统计量 均值 标准 偏差 N y 24354.57 4178.824 51 x 3694.65 1053.060 51 相关性 y x Pearson 相关性 y 1.000 .835 x .835 1.000 Sig. （单侧） y . .000 x .000 . N y 51 51 x 51 51 输入／移去的变量b 模型 输入的变量 移去的变量 方法 1 xa . 输入 a. 已输入所有请求的变量。 b. 因变量: y 模型汇总b 模型 R R 方 调整 R 方 标准 估计的误差 更改统计量 R 方更改 F 更改 df1 df2 S