第7章-回归分析.pptVIP

7.3多元线性回归方程但是，判定系数R2的大小受到自变量个数的影响，一般随着自变量个数的增多，R2就会增大。由于增加自变量个数引起的增大与方程的拟合好坏无关，因此，统计学家提出公式对其加以修正，即（公式7.18）Rn2为多重判定系数，SPSS输出结果称其为调整的R2（Adjusted），n为样本数，k为自变量的个数。7.3多元线性回归方程7.3.2多重共线性多元线性回归常常包含有两个或两个以上的自变量，而这些自变量有可能因为彼此相关性较高而存在某种线性关系，这个时候某个自变量往往可以用其他的自变量的线性函数来表示，这种现象被称为多重共线性（Multicollineartity）。共线性问题是多元线性回归中的一个常见问题，它经常会让我们误判自变量和因变量间的关系。衡量多重线性回归的指标有以下几个:7.3多元线性回归方程（1）容忍度（Tolerance）：容忍度越小，则说明被其他自变量预测的精度越高，多重共线性越严重，如果容忍度小于0.1时，就存在严重的多重共线性。（2）方差膨胀因子（VarianceInflationFactor，VIF）：是容忍度的倒数，数值越大，多重共线性越严重，一般不应该大于5，大于10时，提示有严重的多重共线性。（3）特征根（Eigenvalue）：特征根越接近0，则提示多重共线性越严重。（4）条件指数（ConditionIndex）：当某些维度的条件指数大于30时，则提示存在多重共线性。7.3多元线性回归方程7.3.3多元线性回归的SPSS过程案例7-1：某表中是某公司30名员工的信息表，研究该公司员工的年薪是否受到其教育水平（指接受教育年限）、雇用时间（指进入该公司的工作时间）、行业经验（指从事该行业的时间）的影响。如果有，是否能够将他们构建起回归模型？如果可以，最终构建的模型是怎样的？案例分析：这里研究的是某个因素受到多个因素影响的问题，即因变量只有1个，而自变量有多个，可以采用多元回归方程命令来解决问题。7.3多元线性回归方程步骤1：把数据录入到SPSS，最终录好的数据见本章数据“年薪影响因素.sav”。步骤2：打开数据，依次选择【分析（A）】→【回归（R）】→【线性（L）】命令，如右图所示。7.3多元线性回归方程步骤3：单击【线性（L）】命令进入其主对话框，需要将自变量和因变量放入正确的窗口。因为研究的是年薪的影响因素，所以“年薪”被假设为因变量，而影响因素就被假设为自变量，因此这里把“年薪”放入因变量框，把“教育水平”、“雇佣时间”和“行业经验”放到自变量框，在【方法（M）】下拉框中选择“逐步法”，如右图。7.3多元线性回归方程步骤4：单击【统计量（S）】进入其对话框，因为存在多个自变量，需要研究各个自变量间是否存在共线性问题，因此在默认选项的基础上勾选【共线性诊断（L）】选项，然后单击【继续】按钮回到主对话框，最后单击【确定】按钮，提交系统分析。7.3多元线性回归方程步骤5：结果解释。（1）方程拟合度检验。右表给出了方程模型的汇总信息，从这里可看到系统拟合了两个回归方程，我们需要从这些方程中选择最优的方程模型。从数据上看，第一个方程的判定系数R2是0.201，第二个方程的判定系数R2是0.371，第一个的判定系数要小于第二个，我们可以初步选定第二个方程。模型RR方调整R方标准估计的误差1.448a.201.17255129.9662.609b.371.32549802.757a.预测变量:(常量),教育水平。b.预测变量:(常量),教育水平,行业经验。7.3多元线性回归方程下表给出了两个回归方程模型的显著性检验结果，其解读和一元回归方程是一样的。从方差分析结果来看，两个方程的F统计量分别为7.042和7.970，相应的p值分别为0.013和0.002，都小于0.05水平，说明两个方程都在0.05的显著水平上有统计学意义，即两个方程的线性关系都是显著的。模型平方和df均方FSig.1回归2.140E1012.140E107.042.013a残差8.510E10283.039E9总计1.065E11292回归3.953E1021.977E107.970.002b残差6.697E10272.480E9总计1.065E1129a.预测变量:(常量),教育水平。b.预测变量:(常量),教育水平,行业经验。c.因变量: