试验五相关分析与回归分析

1、实验五相关分析与回归分析一、问题描述2016 年 1 JJ 12 IEI13:04学习并使用SPSS软件进行相关分析和回归分析，具体包括：(1) 皮尔逊pearson简单相关系数的计算与分析(2) 学会在SPSS上实现一元及多元回归模型的计算与检验。(3) 学会回归模型的散点图与样本方程图形。(4) 学会对所计算结果进行统计分析说明。二、实验原理2016 年 1 ) 12 日13:131. 相关分析的统计学原理相关分析使用某个指标来表明现象之间相互依存关系的密切程度。用来测度简单线性相关 关系的系数是Pearson简单相关系数。2. 回归分析的统计学原理相关关系不等于因果关系，要明确因果关系必

2、须借助于回归分析。回归分析是研究两个变 量或多个变量之间因果关系的统讣方法。其基本思想是.在相关分析的基础上，对具有相 关关系的两个或多个变量之间数量变化的一般关系进行测疋，确立一个合适的数据模型， 以便从一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估il参数， 建立回归模型，对参数和模型进行检验和判断，并进行预测等。线性回归数学模型如下：在模型中，回归系数是未知的，可以在已有样本的基础上，使用最小二乘法对回归系数进 行估计，得到如下的样本回归函数：回归模型中的参数估汁岀来之后，还必须对英进行检验。如果通过检验发现模型有缺陷， 则必须回到模型的设泄阶段或参数估计阶段，重新选择

3、被解释变量和解释变量及其函数形 式，或者对数据进行加工整理之后再次估计参数。回归模型的检验包括一级检验和二级检 验。一级检验又叫统汁学检验，它是利用统汁学的抽样理论来检验样本回归方程的可靠 性，具体又可以分为拟和优度评价和显著性检验；二级检验又称为经济计量学检验，它是 对线性回归模型的假泄条件能否得到满足进行检验，具体包括序列相关检验、异方差检验 等三、数据录入2016 年 1 丿13 IEI20:05有“连续变量简单相关系数的计算与分析_时间与成绩”数据文件，以此录入做相关分析:1 / 12实验五相关分析与回归分析r均 连续变星简单桓关系数的计算与分祈_时间与成绩s科数据集1 - IBM S

4、PSS Statis有“一元线性回归一温度与幺蛾子”原始数据一份，以此录入做线性回归分析:B 一元线性回归启度与么第子s“数舷1 - IBM SPSS Statistics数摇堀霜器文件（日 SS（E）视图电）数据转换（p 分析）直铺）囹形（）实用程序（丄）Bn（w）3 S H12/12年份温度炭蛾盛期RESJI娈量1娈星11961863.10743219628.351731.20743419648.51-1.33160519667.64-.32306619668.44.57695719677.3572.53792919695.47-.414

5、501019705.65-1.653631112ABC1TG21.154.031. 560.042. 262.053. 070.163. 474.074. 074.584. 277.095.581-5105. 985.0116. 085.5126.586.2138. 090.014=E19丫/四、实验内容与步骤及输出结果分析2016年1月12日13:14（一）连续变量简单相关系数的汁算与分析有如下案例：学生每天学习时间T与学习综合成绩G之间的相关性录入到SPSS中。TG娈1r1.154.021.660.0322|62.043.070.153.474.064.074.574.277.085.58

6、1.595.985.0106.085.5116.586.2128.0耐4 C依次选择“【分析】一【相关】一【双变量】”打开对话框如图，将待分析的2个指标移入右边的变量列表框内。其他均可选择默认项，单击ok提交系统运 行。Q AA结果分析:相矣性TGTPearson相关性1.975显樂（双侧）.000N1212GPearson相矢性,975“1显確（双側）.000N1212r在0仁水平（双側）上显著相矢。相关性表给出了 P“rs。n简单相关系数，相关检验t统计量对应的P值。相关系数右上角 有两个星号表示相关系数在0. 01的显著性水平下显著。从表中可以看出，学习时间T和成 绩G两个指标之间的相关

7、系数是0.975,对应的P值都接近0.表明这两个指标有很强的正 相关关系。（-）一元线性回归有如下案例：湖北省汉阳县历年越冬代二化螟发蛾盛期与当年三月上旬平均气温的数据如下表，分析三 月上旬平均温度与越冬代二化螟发蛾盛期的关系。ABCDEFGH1年份19611962196319641965196619672三月上旬平均温度8. 68. 39. 78.57.58.47.33越冬代二化螟发 蛾盛期（6月30日为0）3531445将数据录入到SPSS中年份温度发蛾盛期梦119618.6321962O5319639.73419648.51519657.54619668.44T19677.3581968

8、9.72919695.471019705.5511(1)绘制散点图，选择【图形】-【旧对话框】-【散点/点状】，如下图所示。选择简单分布，单击泄义，打开子对话框，选择X变量和Y变量，如下图所示。单击确泄 提交系统运行，结果见下图所示。1-OOOOQQO0OQIIIIII5.0&07.0809.010.07-6-S-4-3-2-发醱盛期汩度从图上可简单判断温度与发蛾数量之间存在负线性相关关系。（2）简单相关分析选择【分析】一【相关】一【双变量】，打开对话框，将变量“温度”与“发蛾盛期”移 入变量列表框，点击确左运行，结果如下表所示。相矢性发蛾盛期温度Pearson相笑性1-.771显著性（双恻）

9、409N1010发娥盛期Pearson相笑性77广1显著性（WJ）.009N1010，在3水平（双侧）上显著相总从表中可以得到两变量之间的皮尔逊相关系数为0771，双尾检验概率p值尾0.009V0.05, 故变量之间显著相关。在此前提下进一步进行回归分析，建立一元线性回归方程。（3）线性回归分析步骤1：选择菜单“【分析】一【回归】一【线性】”，打开线性回归对话框将变量 温度移入因变量列表框中，将发蛾盛期移入自变量列表框中。在方法框中选择进入选项, 表示所选自变量全部进入回归模型0步骤2：单击统计疑按钮，如图在统计量子对话框。该对话框中设置要输出的统汁量。这 里选中估计、模型拟合度复选框。步骤3

10、：单击绘制按钮，在Plots子对话框中的标准化残差图选项栏中选中正态概率图复选 框，以便对残差的正态性进行分析。实验五相关分析与回归分析15 / 12制(I:步骤4：单击保存按钮，在保存子对话框中残差选项栏中选中未标准化复选框，这样可以 在数据文件中生成一个变量名尾res 1的残差变量，以便对残差进行进一步分析。慕线性回归:保存殘差标准化）学生化仓）E刪除（L）O学生化已刪除电 影响统计量DfBeta（B）后、弁伯 ntPotQf7距离(0 Mahalanobisf离(H) rnnUlRT?预测值未标准化9）标准化迟）B调节Q）n均信预测值的s.e.（p）其余保持Spss默认选项。在主对话框中

11、单击ok按钮，执行线性回归命令，其结果如下:总b換型RR方调整R方标准估计的误 差1.7713.595.5441.0131乱预测变姒:（能址）发蛾席期b因变尿:温度模型汇总表给岀了回归模型的拟和优度、调整的拟和优度、估计标准差以及Durbin- Watson 统讣量。从结果来看，回归的可决系数和调整的可决系数分别为0.595和0.544, 即发蛾盛期50%以上的变动可以被该模型所解释，拟和优度较差。Anovab模型平方和df均方FSig.1回归12.058112.0&811.748.00 93我差821181.02620.2699a.预测变席：（总圮）.发蛾廉期b因变昴:温度上表是方差分析表，可以看到F统计量为M.74&对应的P值为0.009,所以，拒绝模型 整体不显著的原假设，即该模型的整体是显著的。系数模型非镖准化熟数标准貂tSig.B标准谋差试用版1（常垃）10.501.82612.707.000发蛾盛期-.670.195-.771-3.428.009玄因变3：温度上表给出了回归系数，回归系数的标准差，标准化的回归系数值以及各个回归系数的显著 性t检验。从表中可以看到无论是常数项还是解释变量x,其t统计量对应的p值都小于 显著性水平0. 05,因