回归分析spss课件

*1回归分析*2相关与回归分析线性回归曲线估计*3第一节线性回归分析一、简单线性回归分析二、多重线性回归分析*4例1表1为一项关于儿童健康和发展的研究中10名学龄儿童的身高和体重资料。表110名学龄儿童的身高和体重一、简单线性回归分析

*5建立数据文件：身高与体重的回归分析.sav.定义变量*6建立数据文件：身高与体重的回归分析.sav.定义变量输入数据*7建立数据文件：身高与体重的回归分析.sav.定义变量输入数据开始分析：绘制散点图：Graphs→Scatter→SimpleScatter→Define定义变量：体重→YAxis，身高→XAxis*8建立数据文件：身高与体重的回归分析.sav.定义变量输入数据开始分析绘制散点图Analyze→Regression→Linear定义变量：体重→Dependent,身高→Independent(s)*9建立数据文件：身高与体重的回归分析.sav.定义变量输入数据开始分析绘制散点图Analyze→Regression→Linear定义变量：体重→Dependent,身高→Independent(s)选择统计量：Statistics→Estimates,Confidenceintervals,Modelfit,Descriptives*10建立数据文件：身高与体重的回归分析.sav.定义变量输入数据开始分析绘制散点图Analyze→Regression→Linear定义变量：体重→Dependent,身高→Independent(s)选择统计量：Statistics→Estimates,Confidenceintervals,Modelfit,Descriptives绘制残差图：Plots→DEPENDNT→X:,*ZRESID(标准化残差）→Y:*11建立数据文件：身高与体重的回归分析.sav.定义变量输入数据开始分析绘制散点图Analyze→Regression→Linear定义变量：体重→Dependent,身高→Independent(s)选择统计量：绘制残差图：计算总体均数的估计值和预测值：Save→→PredictedValues→Unstandardize，→PredictionIntervals→Mean，Individual*12建立数据文件：身高与体重的回归分析.sav.定义变量输入数据开始分析绘制散点图Analyze→Regression→Linear定义变量：体重→Dependent,身高→Independent(s)选择统计量：绘制残差图：计算总体均数的估计值和预测值：在散点图中添加置信带和预测带：双击散点图进行添加，Element→FitLineattotal*13建立数据文件：身高与体重的回归分析.sav.定义变量输入数据开始分析绘制散点图Analyze→Regression→Linear定义变量：体重→Dependent,身高→Independent(s)选择统计量：绘制残差图：计算总体均数的估计值和预测值：在散点图中添加置信带和预测带：双击散点图进行添加，Element→FitLineattotal→ConfidenceIntervals→Mean（Individual）*14主要结果——散点图*15主要结果*16主要结果*17主要结果确定系数调整确定系数*18主要结果对总体回归模型检验的F值对总体回归模型检验的P值*19主要结果回归系数（第一行为截距，第二行为斜率）总体回归系数=0的假设检验的t值回归系数的标准误标准化回归系数总体回归系数=0的假设检验的P值总体回归系数的95%置信区间*20主要结果残差图*21*22练习1某研究者测量了16名成年男子的体重和臀围数据，如下表所示。请判断是否可以用线性回归来表达臀围和体重的关系，若可以，请用该数据建立用体重预测臀围的线性回归模型。*23练习2FrankAnscombe(1973)给出了下列数据，（1）请分别以Y1、Y2、Y3为因变量、X为自变量进行线性回归分析，（2）请以Y4为因变量、X为自变量进行线性回归分析；（3）针对以上结果，加以讨论。*24例2为了研究有关糖尿病患者体内脂联素水平的影响因素，某医师测定了30名患者的体重指数BMI（kg/m2）、病程DY（年）、瘦素LEP（ng/mL）、空腹血糖FPG（mmol/L）及脂联素ADI（ng/mL）水平，数据如表6所示，能否用多重线性回归表达他们的关系，若可以，建立多重线性回归方程。二、多重线性回归分析

*25*26建立数据文件：脂联素水平数据.sav.定义变量*27建立数据文件：脂联素水平数据.sav.定义变量输入数据*28建立数据文件：脂联素水平数据.sav.定义变量输入数据开始分析：绘制散点图：Graphs→Scatter→MatrixScatter→Define定义变量：体重指数、病程、瘦素、孔府血糖、脂联素→MatrixVariables*29建立数据文件：脂联素水平数据.sav.定义变量输入数据开始分析绘制散点图Analyze→Regression→Linear定义变量：脂联素→Dependent,

体重指数、病程、瘦素、空腹血糖→Independent(s)*30建立数据文件：脂联素水平数据.sav.定义变量输入数据开始分析绘制散点图Analyze→Regression→Linear定义变量：脂联素→Dependent,

体重指数、病程、瘦素、空腹血糖→Independent(s)选择统计量：Statistics→Estimates,Confidenceintervals,Modelfit,Descriptives*31建立数据文件：脂联素水平数据.sav.定义变量输入数据开始分析绘制散点图Analyze→Regression→Linear定义变量：脂联素→Dependent,

体重指数、病程、瘦素、空腹血糖→Independent(s)选择统计量：Statistics→Estimates,Confidenceintervals,Modelfit,Descriptives绘制残差图：Plots→DEPENDNT→X:,*ZRESID(标准化残差）→Y:*32主要结果——散点图*33主要结果*34主要结果*35主要结果确定系数调整确定系数复相关系数*36主要结果对总体回归模型检验的F值对总体回归模型检验的P值*37主要结果偏回归系数总体偏回归系数=0的假设检验的t值偏回归系数的标准误标准化偏回归系数总体偏回归系数=0的假设检验的P值总体偏回归系数的95%置信区间*38主要结果残差图*39例5对例4的数据选择最优模型。*40Analyze→Regression→Linear定义变量：脂联素→Dependent,

体重指数、病程、瘦素、空腹血糖→Independent(s)*41Analyze→Regression→Linear定义变量：脂联素→Dependent,

体重指数、病程、瘦素、空腹血糖→Independent(s)选择筛选最优模型的方法Mehtod→Stepwise*42主要结果——引入的变量剔除的变量最优模型*43主要结果最优模型*44主要结果最优模型*45其他筛选最优模型的方法，大家自己练习。*46练习3为研究大气污染物一氧化氮(NO)的浓度是否受到汽车流量、气候状况等因素的影响，选择24个工业水平相近城市的一个交通点，统计单位时间过往的汽车数(千辆)，同时在低空相同高度测定了该时间段平均气温(℃)、空气湿度(%)、风速(m/s)以及空气中一氧化氮(NO)的浓度(×10-6)，数据如下页表所示。（1）建立回归方程：*47表

某城市空气中NO浓度监测数据

*48（1）建立回归方程：以Y为因变量，以X1-X4为自变量，并按照对Y的影响大小对各自变量进行排序;（2）用前向选择法对各自变量进行筛选；（3）用后向选择法对各自变量进行筛选；（4）用逐步法对各自变量进行筛选；*49练习4余松林和向惠云搜集的17所医院人力资源利用和医院任务资料,其解释变量和反应变量分别：每月住院人数X1；每月X

线照光人数X

2；每月占用病床日数X

3；服务范围内人口数(千人)X4；每名患者平均住院日数X

5；每月使用人力(h)Y（见下表），试进行多重线性回归分析。编号X1X2X3X4X5Y115.572463472.9218.04.45566.52244.0220481339.759.56.92596.82320.423940620.2512.84.281033.15418.746505568.3336.73.901603.62549.2057231497.6035.75.501611.37644.92115201365.8324.04.601613.27755.4857791687.0043.35.631854.17859.2858691639.9246.75.152160.55994.3984612872.3378.76.18230.5810128.02201063655.08180.56.153505.931196.00133132912.0060.95.883571.8912131.42107713921.00103.74.883741.4013127.21155433865.67126.85.504026.5214252.90361947684.10157.77.0010343.8115409.203470312446.33169.410.7811732.1716463.703920414098.40331.410.7815414.9417510.218653315524.00371.66.3518854.45表17所医院人力资源利用和医院任务资料*50第二节曲线估计*51例3某研究者测得某女童1~9月的身高数据，如下表所示。试用合适的回归模型描述该月龄段女童的身高随时间变化的规律。*52建立数据文件：女童身高数据.sav.定义变量*53建立数据文件：女童身高数据.sav.定义变量输入数据*54建立数据文件：女童身高数据.sav.定义变量输入数据开始分析绘制散点图：Graphs→Scatter→SimpleScatter→Define定义变量：身高→YAxis，时间→XAxis*55观察身高与时间的趋势关系—近似对数曲线关系*56建立数据文件：女童身高数据.sav.定义变量输入数据开始分析绘制散点图：Graphs→Scatter→SimpleScatter→Define定义变量：身高→YAxis，时间→XAxisanalyze→Regression→CurveEstimation定义变量：身高→Dependent（s），时间→Indepen