基于非线性回归模型投资与利润关系分析.pdfVIP

例3．经过得到8个厂家对同种类型的产品的年新增加投资额X和年利润额Y的数据资料

如下（单位：万元）：

现在我们来研究Y与X的相关关系。

根据观测值绘制出的散点图如下（散点图的绘制也可以利用SPSS的绘图功能得到）

散点图

由散点图可以看出，Y与X近似关系

bX

Ybe1+

0

bX

这里回归函数f(X)be1，它是X的非线性函数。

0

曲线拟合的基本思想与前述的线性回归基本相同，它经常采用模型的线性化，同样利用最小二

乘法实现。进行曲线拟合时，应首先绘制自变量X与因变量Y的散点图，然后根据散点图的特点，

再结合专业知识与理论，选取合理的曲线拟合模型。

曲线拟合在SPSS中很容易实现，SPSS了多达11种曲线拟合模型，它们是：

22

通常可以多选取几种模型，然后利用R统计量作为来评判模型，R越大则模型越优。但应再

次强调，曲线拟合模型必须符合实际规律，对于有违于实际规律的模型，尽管其拟合效果可能很好，

也不能选用。

下面是例3的SPSS输出结果，我们分别选取了线性模型，二次项模型，三次项模型，幂模型

与指数模型等五种来进行比较。

输出结果（3.1）模型结果表

输出结果（3.2）拟合曲线图

输出结果（3.1）给出了各个模型的详细结果。其中第二列Math为选用模型类别，第三列Rsq

2

为R统计量，第四列df为自由度，第五列F与第六列Sig.f为方程显著性检验的F值与对应的P

值，最后四列分别给出了各模型对应的参数估计。从结果可以看出，各个模型的回归方程都是显著

2

的，且二次项模型，三次项模型与指数模型的R均达到0.97以上，这三个模型都比较合适。如果

选用指数模型，具体的回归方程为

Y3.7208e0.1003X

输出结果（3.2）给出了各个模型的观测值与预测值的对比图，它是利用输出结果（3.1）而生成

的图形，从图中可以更为直观地了解各模型的回归拟合效果。

回归分析是实际工作中应用最多的多元统计方法，它的理论非常深奥，我们这里只是简单介绍了

它的最基本内容，一些较常用的理论与方法，如回归诊断，岭回归与主成分回归等等都没有涉及，有进

一步实际工作要求的读者可参阅相关书籍。