多元线性回归SPSS课件.pptVIP

多元线性回归分析SPSS

方法：是简单直线回归的推广，研究一个应变量与多个自变量之间的数量依存关系。。§资料：应变量(Y)为定量指标；自变量(x)全部i或大部分为定量指标，若有少量定性或等级指标需作转换。5/7/20242

多元线性回归模型的应用条件：1.线性趋势（linear）：自变量与因变量的关系是线性的，即Y与Xi间具有线性关系2.独立性（independence）：应变量Y的取值相互独立，Cov（e，iej）=03.正态性（normality）：对任意一组自变量取值，因变量Y服从正态分布，e～N（0，σ2），4.方差齐性（homogeneity）：对任意一组自变量取值，因变量y的方差相同，Var（e）=σi2i后两个条件等价于：残差ε服从均数为0、方差为σ分布这些条件缩写为LINE，是线性回归方程的核心。2的正态5/7/20243

例题1：有学者认为糖尿病人的血糖变化可能受胰岛素、糖化血红蛋白、血清总胆固醇、甘油三脂等多种生化指标的影响，现测量了27名糖尿病人的相关指标，资料如下表所示，请对此作分析。表227名糖尿病人的血糖及有关变量的测量结果5/7/20244

方程的求解过程复杂，可借助于SPSS等统计软件来完成lSPSS：分析→回归→线性→因变量：Y自变量：x1-x45/7/20245

SPSS的操作界面5/7/20246

SPSS结果5/7/20247

模型适用条件的检验l用张文彤SPSS高级篇中的数据reg为例l一、线性趋势l（1）散点图矩阵l（2）未标准化残差与该自变量（x1、x2）的散点图5/7/20248

模型适用条件的检验l二、各观测间相互独立：即任两个观测残差的协方差为0，可利用残差图提供直观的信息，对于残差间是否相互独立可通过线性回归中统计量按钮中提供的Durbin-Watson检验进行判断5/7/20249

模型适用条件的检验5/7/202410

模型适用条件的检验l三、残差e服从正态分布il可以通过绘制标准化残差的直方图、PP图（正态概率图）和茎叶图进行。5/7/202411

模型适用条件的检验5/7/202412

模型适用条件的检验5/7/202413

模型适用条件的检验5/7/202414

模型适用条件的检验5/7/202415

模型适用条件的检验l方差齐性：即残差的大小不随所有变量取值水平的改变而改变，上面的plot子对话框提供两绘制反应变量与各种残差的残差图，以标准化残差为Y轴，已标准化预测值为X轴5/7/202416

二、逐步选择法1.前法（forwardselection）：回归方程中的自变量从无到有、从少到多逐个引入回归方程。此法已基本淘汰。2.后退法（backwardelimination）：先将全部自变量选入方程，然后逐步剔除无统计学意义的自变量。3.逐步回法（stepwiseregression）：是在前述两种方法的基础上，进行双向筛选的一种方法。该方法本质上是前进法。它的共同特点是每一步只引入或剔除一个自量。决定其取舍则基于对偏回归平方和的F检验。5/7/202417

1.前进法（forwardselection）自变量从无到有、从少到多1.Y对每一个自变量作直线回归，对回归平方和最大的自变量作F检验，有意义（P小）则引入。2.在此基础上，计算其它自变量的偏回归平方和，选取偏回归平方和最大者作F检验，…。局限性：即后续变量的引入可能会使先进入方程的自变量变得不重要。5/7/202418

2.后退法（backwardelimination）先将全部自变量放入方程，然后逐步剔除1.偏回归平方和最小的变量，作F检验及相应的P值，决定它是否剔除（P大）。2.建立新的回归方程。重复上述过程。局限性：自变量高度相关时，可能得不出正确的结果。5/7/202419

3.逐步回归法（stepwiseregression）_双向筛选；引入有意义的变量（前进法），剔除无意义变量（后退法）_“先剔除后选入”原则5/7/202420

逐步回归法l是进行双向筛选的一种方法。l自变量回归平方和最大的X首先进入方程，在X进入方程的基础ii上计算其余m-1个自变量分别进入回归方程时的偏回归平方和，其中最大者记为SS，对X进行基于偏回归平方和的F检验，若有jj意义则进入方程，并重新对X进行检验。若X退化为无意义，则ii剔除X，同时再对X进行检验。若X依然有意义则继续选择下一jji个偏回归平方和最大者并进行检验。重复此过程，直到既没有自变量需要引入方程，也没有自变量从方程中剔除为止，从而得到一个局部最优的回归方程。5/7/202421

逐步回归法l每引入或剔除一个自变量后都要重新对已进入方程中的自变量进行检验，