spss第五讲回归分析.pptVIP

模型拟合度检验第三步：选择个案标签。在变量列表中选择变量至个案标签中，而被选择的变量的标签用于在图形中标注点的值。第四步：选择加权二乘法（WLS）。在变量列表框中选择变量至WLS中。但是该选项仅在被选变量为权变量时选择。第五步：如果点击OK，可以执行线性回归分析操作。Method选项Enter：强迫引入法，默认选项。全部被选变量一次性进入回归模型。Stepwise：强迫剔除法。每一次引入变量时，概率F最小值的变量将引入回归方程，如果已引入回归方程的变量的F大于设定值，将被剔除回归方程。当无变量被引入或剔除，时终止回归方程Remove：剔除变量。不进入方程模型的被选变量剔除。Backward：向后消去Forward：向前引入Rule选项选择一个用于指定分析个案的选择规则的变量。选择规则包括：等于、不等于、大于、小于、大于或等于、小于或等于。Value中输入相应变量的设定规则的临界值。Statistics

选项回归系数框估计值：显示回归系数的估计值β、回归系数的标准差、标准化回归系数、回归系数的β的t估计值和双尾显著性水平。置信区间协方差矩阵模型拟合：复相关系数、判定系数、调整R2、估计值的标准误及方差分析R2改变量：增加或删除一个自变量产生的改变量描述性统计量：变量的均数、标准差、相关系数矩阵、单尾检验部分及偏相关系数：显示零阶相关、偏相关、部分相关系数共线性诊断：显示变量容差、方差膨胀因子和共线性的诊断表残差统计量D-W检验统计量：显示残差相关的D-W检验和残差与预测值的综述统计。个案诊断：1、超过n倍标准差以上的个案为奇异值；2、显示所有变量的标准化残差、观测值和预测值、残差Plots选项

该对话框可以分析资料的正态性、线性和方差齐性，还可以检测奇异值或异常值等。1、因变量2、标准化预测值3、标准化残差4、删除残差5、调整预测值6、Student残差7、Student删除残差Histogram：标准化残差的直方图，并给出正态曲线。Normalprobalityplot：标准化残差的正态概率图Produceallpartialplots：产生所有偏残差图，生成每个自变量残差与因变量残差的散点图。Save对话框预测值包括非标准化的预测值、标准化的预测值、调整预测值、预测值均数标准误距离包括自变量个案值与所有个案平均值距离、一个个案参与计算回归线系数时，所有个案残差变化的大小。杠杆值残差非标准化残差标准化残差Student残差删除残差Student删除残差影响统计量DFBeta值，删除一个个案后回归系数改变的大小。标准化DfBetaDfFit值，拟合值之差标准化DfFit协方差矩阵的比率预测区间平均预测区间个体预测区间Options选项逐步回归方法准则使用F显著水平值Entry：当候选变量中最大F值概率小于等于引入值时，引入相应变量。Removal:剔除相应变量实例分析例：某单位对8名女工进行体检，体检项目包括体重和肺活量，数据如下：利用回归分析描述其关系。体重4242464646505050肺活量2.552.22.752.42.82.813.413.1结果分析描述性统计量相关系数表中Pearson相关系数为0.613，单尾显著性检验的概率p值为0.000，小于0.05.所以体重和肺活量之间具有较强的相关性引入或剔除变量表表中显示回归分析的方法以及变量被剔除或引入的信息。Method项为Enter，表明显示回归方法用得是强迫引入法引入变量。这里自变量只有一个，所以此表意义不大。模型摘要两变量相关系数为0.613，判定系数为0.375，调整判定系数为0.352，估计值的标准误差为360.997方差分析表该表为回归分析的方差分析表。可以看出回归的均方为2115016.203，剩余的均方为130318.685，F检验统计量的观察值为16.230，p值为0.000小于0.05，可以认为体重和肺活量之间存在线性关系。回归系数下表给出了回归方程中的参数和常数项的估计值。其中常数项系数为405.819，回归系数为47.835，，线性回归参数的标准误差为11.874，标准化回归系数为0.613，回归系数t检验的t统计量观察值为4.029，t检验的p值为0.00，小于0.05可以认为回归系数有显著意义回归诊断下表对全部的观察单位进行回归诊断，结果表明，每一例的标准化残差、因变量观测值和预测值以及残差残差统计量表中显示了预测值、标准化预测值、残差、标准化残差等统计量的最小值、最大值、均数、标准差回归标准化残差的