多元线性回归spss案例.pdf

多元线性回归spss案例

【篇一：多元线性回归spss案例】

多元线性回归，主要是研究一个因变量与多个自变量之间的相关关

系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些

而已，例如：一元线性回归方程为：

毫无疑问，多元线性回归方程应该为：

上图中的x1,x2,xp分别代表自变量xp截止，代表有p个自变量，

如果有n组样本，那么这个多元线性回归，将会组成一个矩阵，如

下图所示：

那么，多元线性回归方程矩阵形式为：

其中：代表随机误差，其中随机误差分为：可解释的误差和不可

解释的误差，随机误差必须满足以下四个条件，多元线性方程才有

意义（一元线性方程也一样）

1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。

2：无偏性假设，即指：期望值为0

3：同共方差性假设，即指，所有的随机误差变量方差都相等

4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协

方差解释。

今天跟大家一起讨论一下，spss多元线性回归的具体操作过程，

下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。

通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模

型。数据如下图所示：

点击分析回归线性进入如下图所示的界面：

将销售量作为因变量拖入因变量框内，将车长，车宽，耗油率，

车净重等10个自变量拖入自变量框内，如上图所示，在方法旁边，

选择逐步，当然，你也可以选择其它的方式，如果你选择进入默

认的方式，在分析结果中，将会得到如下图所示的结果：（所有的

自变量，都会强行进入）

如果你选择逐步这个方法，将会得到如下图所示的结果：（将会根

据预先设定的f统计量的概率值进行筛选，最先进入回归方程的自

变量应该是跟因变量关系最为密切，贡献最大的，如下图可以看出，

车的价格和车轴跟因变量关系最为密切，符合判断条件的概率值必

须小于0.05，当概率值大于等于0.1时将会被剔除）

选择变量(e)框内，我并没有输入数据，如果你需要对某个自变量

进行条件筛选，可以将那个自变量，移入选择变量框内，有一个前

提就是：该变量从未在另一个目标列表中出现！，再点击规则设定

相应的筛选条件即可，如下图所示：

点击统计量弹出如下所示的框，如下所示：

在回归系数下面勾选估计，在右侧勾选模型拟合度和共线性诊断

两个选项，再勾选个案诊断再点击离群值一般默认值为3，（设

定异常值的依据，只有当残差超过3倍标准差的观测才会被当做异

常值）点击继续。

提示：

共线性检验，如果有两个或两个以上的自变量之间存在线性相关关

系，就会产生多重共线性现象。这时候，用最小二乘法估计的模型

参数就会不稳定，回归系数的估计值很容易引起误导或者导致错误

的结论。所以，需要勾选共线性诊断来做判断

通过容许度可以计算共线性的存在与否？容许度tol=1-ri平方或方

差膨胀因子（vif):vif=1/1-ri平方，其中ri平方是用其他自变量预测

第i个变量的复相关系数，显然，vif为tol的倒数，tol的值越小，

vif的值越大，自变量xi与其他自变量之间存在共线性的可能性越大。

提供三种处理方法：

1：从有共线性问题的变量里删除不重要的变量

2：增加样本量或重新抽取样本。

3：采用其他方法拟合模型，如领回归法，逐步回归法，主成分分析

法。

再点击绘制选项，如下所示：

上图中：

dependent(因变量）zpred(标准化预测值）zresid(标准化残差）

dresid(剔除残差）adjpred(修正后预测值）srsid(学生化残差）

sdresid(学生化剔除残差）

一般我们大部分以自变量作为x轴，用残差作为y轴，但是，也

不要忽略特殊情况，这里我们以zpred（标准化预测值）作为x轴，

分别用sdr