回歸分析spss實(shí)現(xiàn)

講回歸分析的SPSS實(shí)現(xiàn)2021/6/271線性回歸分析被解釋變量和各個(gè)解釋變量各對應(yīng)一個(gè)spss變量．一元線性回歸和多元線性回歸分析的功能菜單是集成到一起的．?dāng)?shù)據(jù)：高?？蒲醒芯?data2021/6/272一、描繪散點(diǎn)交互圖基本步驟Graphs---interactive---ScatterplotAssignVariable---y=課題數(shù)；x=高級(jí)職稱人數(shù)Fit---Method---選擇RegressionOK2021/6/2732021/6/274二、用LinearRegression分析Analyze---Regression---Linear選擇被解釋變量進(jìn)入Dependent框---課題數(shù)選擇一個(gè)或多個(gè)解釋變量進(jìn)入Independent(s)框METHOD---Enter;stepwise;---單擊Statistics,選擇全部核選框單擊Plots,選擇”Histogram”核選框和”Normalprobalityplot”選擇”ZPRED”輸入到”Y”;選擇”SRESID”輸入到”X”;OK2021/6/275（一）立項(xiàng)課題數(shù)多元線性回歸分析結(jié)果

(enter策略)

結(jié)果一:模型綜述表

結(jié)果說明:

1)調(diào)整后的R2=0.939,因此模型的擬和優(yōu)度較高; 模型 的F檢驗(yàn)達(dá)到了0.00的極顯著水平.說明模型的線 性關(guān) 系較顯著,具有較強(qiáng)的解釋能力

2)D.W值=1.838接近于2,說明模型的序列相關(guān)性不強(qiáng).

2021/6/276結(jié)果二:模型方差分析表

結(jié)果說明:

模型的F檢驗(yàn)值=61.532,對應(yīng)的概率值P=0.00,遠(yuǎn)小于0.01的極顯著水平,應(yīng)該拒絕回歸系數(shù)為零的原假設(shè),即認(rèn)為回歸系數(shù)不同時(shí)為零,被解釋變量與解釋變量全體的線性關(guān)系是顯著的,可以建立線性模型.

2021/6/277結(jié)果三:系數(shù)分析表2021/6/278結(jié)果說明:1)由于回歸方程:課題立項(xiàng)數(shù)=-35.313+0.698投入人年數(shù)+---2)變量的顯著性檢驗(yàn):只有“投入人年數(shù)”達(dá)到了0.003 的極顯 著水平,其他變量都不顯著,說明除了“投入人年數(shù)”外， 其他變量都與課題立項(xiàng)數(shù)沒有顯著的線性關(guān)系。3)多重共線性檢驗(yàn):容忍度（tolerance）越接近于0，多重共 線性越強(qiáng)；方差膨脹因子（VIF)越大，一般大于等于10 時(shí)，說明解釋變量Xi與其余解釋變量之間有較強(qiáng)的多重 共線性。4）結(jié)論：由于模型保留了一些不應(yīng)保留的變量，該模型不 可用；從容忍度和方差膨脹因子看，“投入高級(jí)職稱人數(shù)”與其他解釋變量之間多重共線性嚴(yán)重。再重新建模，應(yīng)考慮提出該變量。2021/6/279結(jié)果四:相關(guān)系數(shù)矩陣表2021/6/2710結(jié)果五:多重共線性檢驗(yàn)表

結(jié)果說明:

1)特征根是診斷解釋變量間是否存在多重共線性的另一種有效的方法.

2)如果某一個(gè)特征根能夠刻畫某解釋變量方差的較大部分比例,(0.7以上),同時(shí)有刻畫了另一個(gè)變量的方差的較大部分,則表明這兩個(gè)解釋變量之間存在較強(qiáng)的線性相關(guān)關(guān)系.

3)第7個(gè)特征根既能解釋“投入人年數(shù)”方差的84%，又能解釋“投入高級(jí)職稱人數(shù)”方差的98%，同時(shí)還能解釋‘專著數(shù)“的44%，因此有理由認(rèn)為這三個(gè)變量間存在多重共線性。

4）因此應(yīng)重新建立回歸模型 2021/6/2711（一）立項(xiàng)課題數(shù)多元線性回歸分析結(jié)果

(backward策略)

結(jié)果一:模型綜述表2021/6/2712方差分析2021/6/2713回歸系數(shù)2021/6/2714多重共線性檢驗(yàn)2021/6/2715剔除的變量2021/6/2716曲線估計(jì)常見的曲線模型：

二次曲線；對數(shù)曲線（logarithmic)；復(fù)合函數(shù)（compound);冪函數(shù)(Power)等

例如：人均消費(fèi)支出和教育.data

要求：分析教育支出和消費(fèi)支出的關(guān)系2021/6/2717常見的曲線模型二次曲線(Quadratic):y=β0+β1x+β2x2復(fù)合曲線(Compound):y=β0β1x增長曲線(Growth):y=eβ0+β1x對數(shù)曲線(Logarithmic):y=β0+β1ln(x)指數(shù)曲線(Exponential):y=β0eβ1x冪函數(shù)(Power):y=β0xβ1逆函數(shù)(Inverse):y=β0+β1/x2021/6/2718基本步驟1）Analyze---Regression---Curveestimation2）選擇被解釋變量進(jìn)入Dependent框---教育支出3）選擇消費(fèi)支出進(jìn)入Independent(s)框；如果選擇time 參數(shù)，則表示解釋變量為時(shí)間4）Models---選擇幾種模型復(fù)合函數(shù)、冪函數(shù)等5）選擇Plotsmodels選項(xiàng)繪制回歸線；選擇DisplayANOVAtable輸出各個(gè)模型的方差分析表和回歸系數(shù)的顯著性檢驗(yàn)2021/6/2719MODEL:MOD_2.Dependentvariable..x5Method..CUBICListwiseDeletionofMissingDataMultipleR.99711RSquare.99422AdjustedRSquare.99230StandardError32.23848AnalysisofVariance:DFSumofSquaresMeanSquareRegression31610303.3536767.78Residuals99353.91039.32F=516.46087SignifF=.0000--------------------VariablesintheEquation--------------------VariableBSEBBetaTSigTx2.075378.069194.5798971.089.3043x2**2-1.987684665861E-051.3446E-05-1.685204-1.478.1734x2**32.596263004613E-097.7924E-102.112252..(Constant)-41.31380597.204131-.425.6808

2021/6/2720Dependentvariable..x5Method..POWERListwiseDeletionofMissingDataMultipleR.97687RSquare.95428AdjustedRSquare.95012StandardError.26578AnalysisofVariance:DFSumofSquaresMeanSquareRegression116.21738716.217387Residuals11.777033.070639F=229.58009SignifF=.0000--------------------VariablesintheEquation--------------------VariableBSEBBetaTSigTx21.845988.121832.97687115.152.0000(Constant)3.5781705054E-053.7164E-05