《spss中的回归分析》PPT课件

《《spss中的回归分析》PPT课件》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、5.7回归分析线性回归曲线估计二分量逻辑分析多项式逻辑分析标称变量分析概率回归非线性回归加权估计2阶段最小二乘法5-7-1线性回归模型总体回归模型j也被称为偏回归系数(partialregressioncoefficients)，表示在其他解释变量保持不变的情况下，Xj每变化1个单位时，Y的均值E(Y)的变化。样本回归函数参数估计最小二乘法模型统计推断检验拟合优度检验方程显著性检验（F检验）变量显著性检验（t检验）（1）拟合优度检验回归方程的拟合优度检验就是要检验样本数据聚集在样本回归直线周围的密集程度，从而判断回归方程对样本数据的代表程度。回

2、归方程的拟合优度检验一般用调整判定系数R2实现。该统计量的值越接近于1越好。（注：在一元线性回归中拟合优度的检验可用判定系数R2实现）（2）回归方程的显著性检验（F检验）回归方程的显著性检验是对因变量与所有自变量之间的线性关系是否显著的一种假设检验。回归方程的显著性检验一般采用F检验，利用方差分析的方法进行。Fα（3）回归系数的显著性检验（t检验）所谓回归系数的显著性检验，就是根据样本估计的结果对总体回归系数的有关假设进行检验。之所以对回归系数进行显著性检验，是因为回归方程的显著性检验只能检验所有回归系数是否同时与零有显著性差异，它不能保证回归方

3、程中不包含不能较好解释说明因变量变化的自变量。因此，可以通过回归系数显著性检验对每个回归系数进行考察。回归参数显著性检验的基本步骤。①提出假设②计算回归系数的t统计量值③根据给定的显著水平α确定临界值，或者计算t值所对应的p值④作出判断H0：j=0（j=1,2…k）一、一元线性回归y=a+bx例5-7-1已知我国分地区家庭人均食品支出、人均收入。试作一元线性回归分析。（e5-7-1)操作步骤：使用系统默认选择项进行线性回归分析Analyze-------Regression---------Linear分析——回归——线性Dependent:存

4、放因变量Independent:存放自变量输出结果及结果分析变量引入或剔出表：Model1引入变量income,用强迫输入法Enter。模型摘要表相关系数R=0.923,判定系数R2=0.852,调整判定系数R2=0.847,估计值的标准误为73.83注：在一元线性回归中可用判定系数R2来判断模型的拟合度。调整判定系数R2的值越大，模型的拟合优度越好。方差分析表回归的均方(Regression–MeanSquare)=878382.334,剩余(残差）的均方(Residual-Meansquare)=5450.755,F=161.149P=0.0

5、00.可以认为这两个变量之间有直线关系.注：H0为模型线性关系不成立,即b=0变量显著性检验（t检验）回归系数：t=12.694,p=0.00,拒绝原假设，显著不为0常数项：t=-0.781，p=0.441，接受原假设，常数项与0没有显著差异。注意：在实际中一般不以t检验决定常数项是否保留在模型中，而是从经济意义方面分析回归线是否应该通过原点。回归方程：常数项=-53.086,回归系数=0.422,则线性回归方程为:y=-53.086+0.422x二、多元回归分析1、从“Analyze”（分析）——“Regression”（回归）——“Linea

6、r”（线性），打开Linear线性回归主对话框。2、在左侧的源变量栏中选择一数值变量作为因变量进入Dependent栏中，选择一个或更多的变量作为自变量进入Independent（s）栏中。3、如果要对不同的自变量采用不同的引入方法，可利用“Previous”与“Next”按钮把自变量归类到不同的自变量块(Block)中，然后对不同的变量子集选用不同的引入方法（Method）。Enter（进入）：强迫引入法，默认选择项。定义的全部自变量均引入方程。Remove（移去）：强迫剔除法。定义的全部自变量均删除。Forward（向前）：向前引入法。自变量

7、由少到多一个一个引入回归方程，直到不能按检验水准引入新的变量为止。该法的缺点是：当两个变量一起时效果好，单独时效果不好，有可能只引入其中一个变量，或两个变量都不能引入。Backward（向后）：向后剔除法。自变量由多到少一个一个从回归方程中剔除，直到不能按检验水准剔除为止，能克服向前引入法的缺点。当两个变量一起时效果好，单独时效果不好，该法可将两个变量都引入方程。Stepwise（逐步）：逐步引入一剔除法。将向前引入法和向后剔除法结合起来，在向前引入的每一步之后都要考虑从已引入方程的变量中剔除作用不显著者，直到没有一个自变量能引入方程和没有一个自

8、变量能从方程中剔除为止。缺点同向前引入法，但选中的变量比较精悍。说明：为弥补各种选择方法和各种标准的局限性，不妨分别用各种方法和多种引入