SPSS第六讲线性回归分析课件.pptxVIP

• 一、线性回归分析的基本原理 • 二、线性回归分析操作步骤与说明 • 三、一元线性回归分析 • 四、多元线性回归分析 • 五、多元线性回归分析中共线性的含义及其后果 • 六、判断高度共线性的指标方法 • 七、高度共线性的解决思路 • 八、多元线性回归方法 第六讲 线性回归分析 • (一)相关与回归的关系 • (二)回归分析的含义与类型 • (三)消减误差比例思想与判定系数 • (四)回归分析的逻辑 一、线性回归分析的基本原理 • 1、相关与回归的关系 • (1)函数关系 • (2)统计相关：线性相关；非线性相关 • (3)因果关系 (一)相关与回归的关系 相关类型 图4 图6 图1 图3 图2 图5 • 统计上相关与实际相关？ • 相关关系 • 统计相关 • 因果关系 • 统计因果关系 • 相关是回归的基础 讨论： • 最小二乘法求a、b X 最小二乘法图示 一元线性回归方程求解 • Y=aX+b Y 二元线性回归方程 • Y=a1X1+a2X2+b X2 自变量X2与Y的散点图 X1 自变量X1与Y的散点图 Y Y 在知道X与Y的关系模式的情况下，所消 解掉的的误差=E1-E2 不知道X与Y的关系，在预测Y 值时所产生的全部误差是E1 。 知道X与Y之间的关系，据此 来预测Y值，误差总数是E2 。 1、PRE数值的取值范围是[o，1] 2、PRE=1，或E2 ＝o，即以X预测Y不会产生任何误 差，则反映X与Y是完全相关 3、PRE＝o ，或E2＝E1，即以X预测Y所产生的误差相 等于不以X来预测y所产的误差，反映X与Y是不相关。 4、PRE数值越接近1，就表示以X预测Y可以减少的 误差越多，反映二者的相关程度越高； PRE值越 接近0，反映二者的相关程度越低。 如何判定线性拟合(fitness) 2、线性拟合优度指标： 判定 系数R2 (0~1) 1、散点图 • 如果增加自变量，不管增加后的自变量是否 与因变量有关系，都会使判定系数(R2)增 大，如果自变量的数目(K)接近样本的个 案数(n)， R2将会必然接近于1.0，解决 这一问题的方法是使用“校正的” R2 。 ( 调整的R2系数： Wonnacott,R. M. T. H. Wonnacott, 1979) (四)多元线性回归分析的逻辑 • Total Sum of Squares ＝ • Residual Sum of Squares ＝ • Regression Sum of Squares • R2 ＝ SSR/TSS 二元线性回归方程检验 三元线性回归方程检验 • Total Sum of Squares ＝ • Residual Sum of Squares ＝ • Regression Sum of Squares • R2 ＝ SSR/TSS • 研究问题：个体的受教育水平受到父亲的 受教育水平的影响有多大？ • 数据： 1991 U. S. General Survey.sav 三、一元线性回归分析 散点图 回归分析操作步骤： 输出结果解释 (共四个表格) 1、说明表： R2 的含义： 自变量所能解释的离差在总离差 中所占的百分比，取值越大说明线性拟合得越 好。最通俗的解释就是R2 越大说明所选取的 自变量对因变量的解释能力越大，影响越大。 2、判定系数(R2 )表： 3、回归系数显著检验表： 回归系数不为0的显著性检验(F检验)，在一元回归分析 中与回归分析表中的t检验是一致的(F值的平发根即为t值 )。 如果有多个自变量，检验的是全部自变量的联合作用不为 0，至少有一个自变量对因变量的影响不为0。 4、回归方程表： 线性回归方程： Y=0.668X+1.910 “X” 的实际值每增加1个单位，“Y”实际值增加 0.668个单位，可进行实际预测具体值。 标准化线性回归方程： Y‘=0.463X’ “X” 的标准值每增加1个单位，“Y” 的标准值相 应地增加0.463个单位。(与非标准化方程等价，标准化后去掉了单位的影响、去 掉常数，没法进行实际预测具体值仅反应的是自变量对因变量的影响程度，好处 是在多个自变量的情况下，可进行影响程度比较。) • 研究问题：个体的受教育水平受到父亲的 受教育水平和母亲的受教育水平的净影响 分别有多大？ • 数据： 1991 U. S. General Survey.sav 四、多元线性回归分析(二元) 1、回归说明表： 2、判定系数(R2 )表： 3、回归系数显著检验表： 4、回归方程表： • 研究问题与研究假设： 个体的受教育水平 受到父亲的受教育水平、母亲的受教育水