回归分析spss实现

讲回归分析的SPSS实现2021/6/271线性回归分析被解释变量和各个解释变量各对应一个spss变量．一元线性回归和多元线性回归分析的功能菜单是集成到一起的．数据：高校科研研究.data2021/6/272一、描绘散点交互图基本步骤Graphs---interactive---ScatterplotAssignVariable---y=课题数；x=高级职称人数Fit---Method---选择RegressionOK2021/6/2732021/6/274二、用LinearRegression分析Analyze---Regression---Linear选择被解释变量进入Dependent框---课题数选择一个或多个解释变量进入Independent(s)框METHOD---Enter;stepwise;---单击Statistics,选择全部核选框单击Plots,选择”Histogram”核选框和”Normalprobalityplot”选择”ZPRED”输入到”Y”;选择”SRESID”输入到”X”;OK2021/6/275（一）立项课题数多元线性回归分析结果

(enter策略)

结果一:模型综述表

结果说明:

1)调整后的R2=0.939,因此模型的拟和优度较高; 模型 的F检验达到了0.00的极显著水平.说明模型的线 性关 系较显著,具有较强的解释能力

2)D.W值=1.838接近于2,说明模型的序列相关性不强.

2021/6/276结果二:模型方差分析表

结果说明:

模型的F检验值=61.532,对应的概率值P=0.00,远小于0.01的极显著水平,应该拒绝回归系数为零的原假设,即认为回归系数不同时为零,被解释变量与解释变量全体的线性关系是显著的,可以建立线性模型.

2021/6/277结果三:系数分析表2021/6/278结果说明:1)由于回归方程:课题立项数=-35.313+0.698投入人年数+---2)变量的显著性检验:只有“投入人年数”达到了0.003 的极显 著水平,其他变量都不显著,说明除了“投入人年数”外， 其他变量都与课题立项数没有显著的线性关系。3)多重共线性检验:容忍度（tolerance）越接近于0，多重共 线性越强；方差膨胀因子（VIF)越大，一般大于等于10 时，说明解释变量Xi与其余解释变量之间有较强的多重 共线性。4）结论：由于模型保留了一些不应保留的变量，该模型不 可用；从容忍度和方差膨胀因子看，“投入高级职称人数”与其他解释变量之间多重共线性严重。再重新建模，应考虑提出该变量。2021/6/279结果四:相关系数矩阵表2021/6/2710结果五:多重共线性检验表

结果说明:

1)特征根是诊断解释变量间是否存在多重共线性的另一种有效的方法.

2)如果某一个特征根能够刻画某解释变量方差的较大部分比例,(0.7以上),同时有刻画了另一个变量的方差的较大部分,则表明这两个解释变量之间存在较强的线性相关关系.

3)第7个特征根既能解释“投入人年数”方差的84%，又能解释“投入高级职称人数”方差的98%，同时还能解释‘专著数“的44%，因此有理由认为这三个变量间存在多重共线性。

4）因此应重新建立回归模型 2021/6/2711（一）立项课题数多元线性回归分析结果

(backward策略)

结果一:模型综述表2021/6/2712方差分析2021/6/2713回归系数2021/6/2714多重共线性检验2021/6/2715剔除的变量2021/6/2716曲线估计常见的曲线模型：

二次曲线；对数曲线（logarithmic)；复合函数（compound);幂函数(Power)等

例如：人均消费支出和教育.data

要求：分析教育支出和消费支出的关系2021/6/2717常见的曲线模型二次曲线(Quadratic):y=β0+β1x+β2x2复合曲线(Compound):y=β0β1x增长曲线(Growth):y=eβ0+β1x对数曲线(Logarithmic):y=β0+β1ln(x)指数曲线(Exponential):y=β0eβ1x幂函数(Power):y=β0xβ1逆函数(Inverse):y=β0+β1/x2021/6/2718基本步骤1）Analyze---Regression---Curveestimation2）选择被解释变量进入Dependent框---教育支出3）选择消费支出进入Independent(s)框；如果选择time 参数，则表示解释变量为时间4）Models---选择几种模型复合函数、幂函数等5）选择Plotsmodels选项绘制回归线；选择DisplayANOVAtable输出各个模型的方差分析表和回归系数的显著性检验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