SPSS 回归分析.ppt

SPSS回归分析一、简介以年龄为自变量x，血压为因变量y，可作出如下散点图：为了判断经验公式是否可用线性函数来拟合，可以画出散点图观察。其方法如下：双击为了求得经验公式，可通过如下步骤进行：当自变量和因变量选好后，点击OK键Model为回归方程模型编号(不同方法对应不同模型)
R为回归方程的复相关系数
RSquare即R2系数，用以判断自变量对因变量的影响有多大，但这并不意味着越大越好——自变量增多时，R2系数会增大，但模型的拟合度未必更好
AdjustedRSquare即修正R2，为了尽可能确切地反映模型的拟合度，用该参数修正R2系数偏差，它未必随变量个数的增加而增加
Std.ErroroftheEstimate是估计的标准误差SumofSquares为回归平方和（Regression）、残差平方和（Residual）、总平方和（Total）
df为自由度
MeanSquare
F
Sig为大于F的概率，其值为0.000，拒绝回归系数为0的原假设：b0=b1=0——即认为回归方程显著性成立Model为回归方程模型编号
UnstandardizedCoefficients为非标准化系数，B为系数值，Std.Error为系数的标准差
StandardizedCoefficients为标准化系数
t为t检验，是偏回归系数为0(和常数项为0)的假设检验
Sig.为偏回归系数为0(和常数项为0)的假设检验的显著性水平值
B为Beta系数，Std.Error为相应的标准差对于多元线性回归主要需研究如下几个问题：方差分析的主要思想是把yi的总方差进行分解：如果自变量对Y的影响显著，则总方差主要应由xi引起，也就是原假设不成立，从而检验统计量为：在实际问题中，影响因变量Y的因素（自变量）可能很多。在回归方程中，如果漏掉了重要因素，则会产生大的偏差；但如果回归式中包含的因素太多，则不仅使用不便，且可能影响预测精度。如何选择适当的变量，建立最优的回归方程呢？开始某地区大春粮食产量y和大春粮食播种面积x1、化肥用量x2、肥猪发展头数x3、水稻抽穗扬花期降雨量x4的数据如下表，寻求大春粮食产量的预报模型。按Graphs→Scatter→Simple顺序展开对话框
将y选入YAxis，然后将其余变量逐个选入XAxis，绘出散点图，观察是否适宜用线性方程来拟合。按Statistics→Regression→Linear顺序展开对话框
将y作为因变量选入Dependent框中，然后将其余变量选入作为自变量选入Independent(s)框中被引入与被剔除的变量由复相关系数R=0.982说明该预报模型高度显著，可用于该地区大春粮食产量的短期预报方差分析表回归方程为：