统计分析与SPSS的应用第五版课后练习答案第9章

1、统计分析与SPSS的应用（第五版）（薛薇）课后练习答案第9章SPSS的线性回归分析1利用第2章第9题的数据，任意选择两门课程成绩作为解释变量和被解释变量，利用SPSS提供的绘制散点图功能进行一元线性回归分析。请绘制全部样本以及不同性别下两门课程 成绩的散点图，并在图上绘制三条回归直线，其中，第一条针对全体样本，第二和第三条 分别针对男生样本和女生样本，并对各回归直线的拟和效果进行评价。选择fore和phy两门成绩体系散点图步骤：图形 旧对话框 散点图 简单散点图 定义 将fore导入Y轴，将phy导入X轴，将 sex导入设置标记确定。00.00-O0OOO OO0OO60.00-8 ooocP

2、OOOODoOO40 W-OO 000oO0oo o 00oOOO20.00-0 040.0050.0060.0070.0000.0090.001M.OO-j female male接下来在SPSS俞出查看器中，双击上图，打开图表编辑閒|匿恚層器-*；| !凹jW在图表编辑器中，选择“元素”菜单选择总计拟合线 选择线性应用再选择元素菜单 点击子组拟合线 选择线性应用。00.00sexO female O male- femalemaleFt2 140-)-0182 female: R2 . = 0.208 male: R2 n-0.16S20.00-60.00-40.00-O OQ O40.0

3、050 006G.Q070.0000 0090.001Q0.00分析：如上图所示，通过散点图，被解释变量y（即：fore）与解释变量phy有一定的线性关系。但回归直线的拟合效果都不是很好。2、请说明线性回归分析与相关分析的关系是怎样的？相关分析是回归分析的基础和前提，回归分析则是相关分析的深入和继续。相关分析需要依靠回归分析来表现变量之间数量相关的具体形式，而回归分析则需要依靠相关分析来表现变量之间数量变化的相关程度。只有当变量之间存在高度相关时，进行回归分析寻求其相关的具体形式才有意义。如果在没有对变量之间是否相关以及相关方向和程度做出正确判断之前，就进行回归分析，很容易造成“虚假回归” 。

4、与此同时，相关分析只研究变量之间相关 的方向和程度，不能推断变量之间相互关系的具体形式， 也无法从一个变量的变化来推测另 一个变量的变化情况，因此，在具体应用过程中， 只有把相关分析和回归分析结合起来，才 能达到研究和分析的目的。线性回归分析是相关性回归分析的一种，研究的是一个变量的增加或减少会不会引起另一个变量的增加或减少。3、请说明为什么需要对线性回归方程进行统计检验？ 一般需要对哪些方面进行检验？ 检验其可信程度并找出哪些变量的影响显著、哪些不显著。主要包括回归方程的拟合优度检验、显著性检验、回归系数的显著性检验、 残差分析等。线性回归方程能够较好地反映被解释变量和解释变量之间的统计关系

5、的前提是被解释 变量和解释变量之间确实存在显著的线性关系。回归方程的显著性检验正是要检验被解释变量和解释变量之间的线性关系是否显著, 用线性模型来描述他们之间的关系是否恰当。一般包括回归系数的检验，残差分析等。4、请说明SPSS多元线性回归分析中提供了哪几种解释变量筛选策略？ 向前、向后、逐步。5、先收集到若干年粮食总产量以及播种面积、使用化肥量、农业劳动人数等数据，请利用 建立多元线性回归方程， 分析影响粮食总产量的主要因素。数据文件名为 粮食总产量.sav”。方法：采用“前进“回归策略。步骤：分析 回归 线性 将粮食总产量导入因变量、其余变量导入自变量方法项选“前进”确定。如下图：（也可向

6、后、或逐步）已输入/除去变量a模型已输入变量已除去变量方法1施用化肥量（kg/公顷）向前（准则：F-to-enter 的概率 =.050 ）2风灾面积比例(%)3年份4总播种面积（万公顷）a.因变量：粮食总产量（y万吨）向前（准则：F-to-enter 的 概率 =.050 ） 向前（准则：F-to-enter 的 概率 =.050 ） 向前（准则：F-to-enter 的 概率 Gender m Sex令 Matti SAT MathSAH-块（日）1的1页下一页型）自变量(僅炉 verbal SAT (ReadmgSTStatistics.绘團、/保?(S) 送顼 样式;a Bootstr

7、ap.谕入确定EESI11规则WLS权重型:粘贴迟）重詈迟）取湧 辛助结果如下:已输入/除去变量a模型已输入变量已除去变量方法1Gender, Verbal saT输入a. 因变量：Math SATb. 已输入所有请求的变量。模型摘要模型RR平方调整后的R平方标准估算的错误1a.710.505.49969.495a.预测变量：（常量），Gender, Verbal SATANOVA模型平方和自由度均方F显著性1回归782588.4682391294.23481.021.000 b残差767897.9511594829.547总计1550486.420161a. 因变量：Math SATb. 预

8、测变量：（常量），Gender, Verbal SAT系数模型非标准化系数标准系数t显著性B标准错误贝塔1（常量）184.58234.0685.418.000Verbal SAT.686.055.69612.446.000Gender37.21910.940.1903.402.001a.因变量：Math SAT因概率P值小于显著性水平（0.05）,所以表明在控制了性别之后，阅读成绩对数学成绩有 显著的线性影响。8、试根据 粮食总产量.sav数据，利用SPSS曲线估计方法选择恰当模型，对样本期外的粮食总产量进行外推预测，并对平均预测误差进行估计。采用二次曲线步骤：图形旧对话框拆线图简单个案值定义

9、将粮食总产量导入线的表征确定结果如下：泓粮債总产再双击上图“元素”菜单添加标记应用接下来：分析 回归 曲线估计 粮食总产量导入因变量、年份导入变量，点击年份 模型中选择二次项、立方、幕点击“保存”按钮选择保存”预测值”继续 确定。曲线拟合附注已创建输岀注释03-MAY-2018 09:28:44输入数据薛薇统计分析与spss的应用（第五版）第9章SPSS回归分析习题粮食总产量.sav活动数据集数据集1过滤器宽度（W拆分文件工作数据文件中的行数35缺失值处理对缺失的定义用户定义的缺失值被视作缺失。已使用的个案任何变量中带有缺失值的个案不用于分 析。语法CURVEFIT/VARIABLES=lsc

10、l WITH nf/CONSTANT/MODEL=LINEAR QUADRATIC CUBICPOWER/PRINT ANOVA/PLOT FIT/SAVE=PRED .资源处理器时间00:00:00.19用时00:00:00.25使用从到第一个观测值最后一个观测值预测从使用周期后的第一观察到最后一个观测值变量已创建或已修改FIT_1CURVEFIT和 MOD_1 LINEAR 中具有 nf的Iscl 的拟合FIT_2CURVEFIT和 MOD_1 QUADRATIC 中具有nf的lscl 的拟合FIT_3CURVEFIT和 MOD_1 CUBIC 中具有 nf的lscl 的拟合FIT_4CU

11、RVEFIT和 MOD_1 POWER中具有 nf的lscl 的拟合时间序列设置 仃SET)输出量PRINT = DEFAULT保存新变量NEWVAR = CURRENT自相关或偏自相关图中的最大MXAUTO = 16滞后数每个交叉相关图的最大延迟数MXCROSS = 7每个过程生成的最大新变量数MXNEWVAR = 4每个过程的最大新个案数MXPREDICT = 1000用户缺失值处理MISSING = EXCLUDE置信区间百分比值CIN = 95在回归方程中输入变量的容差TOLER = .0001最大迭代参数变化CNVERGE = .001计算标准的方法自相关的错误ACFSE = IND

12、季节周期长度未指定值在绘图中标记观测值的变量未指定包括方程CONSTANT由于模型项之间存在接近共线性，该二次模型无法拟合。 由于模型项之间存在接近共线性，该立方模型无法拟合。模型描述模型名称MOD_1因变量1粮食总产量(y万吨)方程式1线性(L)2二次项(Q)3立方(U)4幕a自变量年份常量已包括值在绘图中标记观测值的变量未指定对在方程式中输入项的容许.0001a.此模型需要所有非缺失值为正。个案处理摘要数字个案总计35排除的个案a0预测的个案0新创建的个案0a.任何变量中带有缺失值的 个案无需分析。变量处理摘要变量从属自变量粮食总产量(y万吨)年份正值的数目3535零的数目00负值的数目0

13、0缺失值的数目用户缺失00系统缺失00粮食总产量(y万吨)线性(L)模型摘要RR平方调整后的R平方标准估算的错误.935.874.8702795.862自变量为年份ANOVA平方和自由度均方F显著性回归(R)1790107249.41211790107249.412229.006.000残差257955809.274337816842.705总计2048063058.68634自变量为年份系数非标准化系数标准系数t显著性B标准错误贝塔年份708.11846.793.93515.133.0001 (常量)-1369647.90492136.775-14.865.000 I二次项(Q)模型摘要RR

14、平方调整后的R平方标准估算的错误.936.875.8722782.149自变量为年份ANOVA平方和自由度均方F显著性回归(R)1792631355.01411792631355.014231.596.000残差255431703.672337740354.657总计2048063058.68634自变量为年份系数非标准化系数标准系数t显著性B标准错误贝塔年份* 2.180.012.93615.218.000(常量)-673013.92645845.338-14.680.000已排除的项输入贝塔t显著性偏相关最小容差年份a-125.061-7.851.000-.811.000a.已达到输入变量

15、的容许界限立方(U)模型摘要RR平方调整后的R平方标准估算的错误.936.877.8732768.471自变量为年份ANOVA平方和自由度均方F显著性回归(R)1795136897.27411795136897.274234.217.000残差252926161.411337664429.134总计2048063058.68634自变量为年份系数非标准化系数标准系数t显著性B标准错误贝塔年份* 36.097E-5.000.93615.304.000（常量）-440802.44130416.171-14.492.000已排除的项输入贝塔t显著性偏相关最小容差年份a-62.046-7.785.00

16、0-.809.000年份* 2-124.059-7.779.000-.809.000a.已达到输入变量的容许界限模型摘要RR平方调整后的R平方标准估算的错误.938.880.877.108自变量为年份ANOVA平方和自由度均方F显著性回归（R）2.82512.825242.844.000残差.38433.012总计3.20934自变量为年份系数非标准化系数标准系数t显著性B标准错误贝塔ln（年份）55.3913.554.93815.583.000（常量）7.936E-179.000因变量为ln（粮食总产量（y万吨）粮债总产量卜万吨）O -0)圾性 二取瑚TZ万1950.001960.00197

17、0.Q01990 00CM SPSSPi$et!4f 瞇LHllfflWOinFsig 值为 00.05，分析：如上表所示，粮食总产量总体呈现上升趋势，在对回归进行检验时, 故拒绝原假设，即认为回归方程中解释变量与被解释变量间显著。预测值:立N1近） 獅电： 豈Bl迪 MgBiD 佛*Q 令析1少 宦橫I劃 跌:型 賽用，跡:辿 曹口|理 日瞪迥1三E 2取L r罔拓细 H弐同輒二I语半IIkIlishz珂ztumiIdmHT rFn_2FIFJHT.4m 評.1iu.oa1239&H14126.00.55HC41R2.44llSST.UMGi弼红幻9的1 沁 2QW14557 &27S&21

18、668JM14401.00JI4軀1B6 1C13325*1653曲弭氐4B3&2143T6 T3?flO3i?y.0D16952Mimsum14793.001 13t51190 101413.97161402BM15UW3J3f.1115407 47860A隔a18354 001羽弭闻1510BDO1.63195 3014722.09MO14732 CM95514743.123171535D 3TH8351 的5 QQ132T5UK1363JW131T W212対200 301M30 Z10M515JJ1 52W710Q5 JTO1G1樹QQ195iU353W157 MZ399S12fl5*513fl 3310?1負北删31B4M7157T4闻為日TodDtinoa17TE1 091199 003 74$ IB313闖1BS北 4W41GB44 39UT1B642 4T93S143321Q1TMHM1 ifid M1?4仏MTJM1购吕却订他也M订他的画irrstuiiHg1蚁QU3.M12243 1幽氐阅4 41