多元回归分析的步骤.docxVIP

三、研究方法 本文采取多元线性回归的方法来设定并成立模型，再利用逐步回回来对变量予以确认和剔除。逐步回归是经过筛选，精选偏回归平方和贡献最大的因子成立回归方程，在决定是否引入一个新的因素时，回归方程要用方差比进行显着性查验。如果鉴别该影响因子经过显着性查验，那么可选入方程中，否则就不应当进入到回归方程，回归方程中剔除一个变量的标准也是用方差比进行显着性查验剔除偏回归平方和贡献最小的变量，不论是入选回归方程仍是从回归方程中剔除切合条件的选入项和剔除项为止，逐步回归的方法剔除了对因变量影响小的因素减小了剖析问题的难度，提高了计算效率和回归方程的稳定性有较好的预测精度。 运用多元线性回归预测的基本思路是在确定因变量和多个自变量以及它们 之间的关系后，经过设定自变量参数的回归方程对因变量进行预测。详细如下: 式中:Y表示为粮食总产量，C和a为回归系数，C、a是待定参数，X为所选用的影响因素.多元线性回归方法可分为强前进入法、消去法、向前选择法、向 后剔除法和逐步进入法等，本文运用SPSS22.0软件，对选择的自变量全部进入回归模型，即强前进入法进行预测。该模型的优点是方法简单、预测速度快、外推性好等。 四、剖析与结果 本文选用6个解释变量，研究河南省粮食产量y，解释变量为:X1粮食播种面积，X2农业从业人，X3农用机械总动力，X4农田有效浇灌面积，X5化肥施用 折纯量，X6乡村用电量。以河南省粮食产量为因变量，以如上6个解释变量为自变量做多元线性回归（数据选用2014年《河南统计年鉴》，见附录一）。 用SPSS做变量的有关剖析，从有关矩阵（表4-1）中能够看出y与自变量的有关系数大多都在0.9以上，说明所选择变量与y高度线性有关，用y与自变量做多元线性回归是合适的。 表4-1有关 X1X2X3X4X5X6y X11.687.965.918.927.970.978 X2 .687 1 .686 .456 .448 .731 .616 X3 .965 .686 1 .946 .930 .990 .985 X4 .918 .456 .946 1 .961 .921 .960 X5 .927 .448 .930 .961 1 .901 .965 X6 .970 .731 .990 .921 .901 1 .979 y .978 .616 .985 .960 .965 .979 1 用SPSS做变量系数剖析（表4-2） 表4-2系数 B 标准错误 Beta T 显着性 （常数） -6733.268 3146.969 -2.140 .041 X1 8.315 2.765 .262 3.007 .006 X2 .155 .296 .121 .524 .604 X3 -.199 .105 -.607 -1.901 .068 X4 2.619 2.687 .169 .974 .338 X5 5.770 2.492 1.047 2.315 .028 X6 1.086 5.174 .089 .210 .835 从（表4-2）中能够获得解释变量与因变量之间的方程为： 表  4-3  变异数剖析 平方和  df  平均值平方  F  显着性 回归  6  6785344.021  165.292  .000 残差  1149417.679  28  41050.631 估计  34 从（表  4-3）中发现  F=165.292，说明  6个自变量整体对因变量  y产生显着 线性影响。但从表(4-2)中不难发现农业从业人员、农田有效浇灌面积、乡村用 电量的P值较大，说明方程某些解释变量并不显着，对没有经过查验的回归系数， 在一定程度上说明他们对应的自变量在方程中无关紧要，一般为了使模型简化， 需要剔除不显着的自变量，从头成立回归方程。而且粮食播种面积、农业从业人 员、农田有效浇灌面积、化肥施用折纯量、乡村用电量对公民总收入起正影响， 农用机械总动力却对公民总收入起负影响，与知识相违背，可能存在多重共线性。 应用SPSS进行异方差性查验。用斯皮尔曼有关系数查验异方差性也就是检 验随机误差项的方差与解释变量观察值之间的有关性。若有关系数较高，则存在 异方差性，则不能经过异方差性查验，此时可能会致使参数OLS估计的方差增大， 查验无效，预测精度降低。 表4-4有关 StandardErrorofPr X1 X2 X3 X4 X5 X6 edictedValue Spe X1 1.000 .441 .439 .377 .434 .439 -.090 arm X2 .441 1.000 .993 .952 .991 .993 -.303 an 的 X3 .439 .993 1.000 .951 .998 1.000 -.277 rh