基于excel的地理數(shù)據(jù)分析一元線性回歸分析(文件)
【正文】 中選中“殘差圖”，將在回歸結(jié)果中自動生成此圖。這個圖與Excel 自動給出的線性擬合圖也是一樣的：在圖123 的“殘差”選項中選中“線性擬合圖”，將在回歸結(jié)果中自動生成此圖。這個圖形與Excel 自動給出的結(jié)果一樣：在圖123 的“正態(tài)分布”選項中選中“正態(tài)概率圖”，將在回歸結(jié)果中自動生成此圖。如果數(shù)據(jù)點嚴重偏離對角線，分布于對角線的一側(cè)，則有如下可能：其一，數(shù)據(jù)取樣不足，應(yīng)該考慮增加樣品；其二，因變量不是隨機變量，沒有典型或者特征尺度；其三，變量具有非線性性質(zhì)，不宜采用線性模型擬合。第二，利用SPSS 給出的結(jié)果與Excel 也大同小異。只要能夠讀懂Excel 的回歸摘要，就可以讀懂SPSS 回歸輸出結(jié)果的大部分內(nèi)容。如果樣本點很多，數(shù)點的方法就行不通了，最好作圖觀察。其次，考察殘差分布是否服從正態(tài)規(guī)律，為此要求作出殘差頻率分布的柱形圖。為了快速算出每個間隔內(nèi)出現(xiàn)了多少殘差點，可以借助頻數(shù)函數(shù)frequency。作為參照，可以通過自定義類型中的線柱圖作圖法在坐標圖中添加正態(tài)分布參考線（圖1313b）。不過SPSS 在對殘差進行標準化的過程中，進行了一些技術(shù)性的處理，與Excel 給出的標準殘差不一樣，并且計算頻率的間隔取法與本例也稍有差別，故其圖形顯示形態(tài)與圖131圖1314 不盡一致。從殘差圖看來，模型的序列似乎并非具有較強的自相關(guān)性，因為殘差分布比較隨機。其余依此類推（圖 144）。（5）快速預(yù)測計算：在Excel 中，有一個函數(shù)可以用于基于線性關(guān)系的快速預(yù)報分析，那就是forecast，語法為：forecast(x, known_y’s, known_x’s)。那么，這是否意味著，如果僅僅進行線性趨勢預(yù)測，不必如此繁瑣地建立模型和開展回歸分析呢？顯然不是。我們進行簡單的建模練習(xí)，主要是為了掌握有關(guān)的知識和技巧，為今后完成更為復(fù)雜的研究任務(wù)奠定基礎(chǔ)。如果我們不掌握上述建模預(yù)測方法，就根本不明白forecast的基本內(nèi)涵。給定x=，對于如圖111 所示的數(shù)據(jù)分布，函數(shù)的具體表達如下圖所示（圖145）。因為我們只有在當年早春，或者前年冬、當年春的冬春之交觀測出最大積雪深度，才能借助模型計算當年的春夏之交或者夏季的冰雪融水灌溉面積。現(xiàn)在假定：有人在1981 年初（約為早春） 米，他怎樣預(yù)測當年（約為夏季）的灌溉面積？（3）給出預(yù)測值：將十字光標置于D2 單元格的右下角，當粗十字變成細十字填充柄以后，按住鼠標左鍵，雙擊，或者往下一拉，各年份的灌溉面積的計算值立即出現(xiàn)，其中1981 年對應(yīng)的D12 即我們所需要的預(yù)測數(shù)據(jù)，即有（4）更多的預(yù)測：進一步地，如果可以測得1982 年及其以后各年份的數(shù)據(jù)，輸入單元格B13 及其下面的單元格中，在D13 及其以下的單元格中，立即出現(xiàn)預(yù)測數(shù)值。 預(yù)測分析除了 DW 檢驗之外，各種統(tǒng)計檢驗都可以通過。由于樣本太小，本例的殘差正態(tài)分布規(guī)律不明顯，但與標準正態(tài)曲線對照可以看出，基本的鐘形對稱特征還可以有所顯示的。對于如圖1311 所示的數(shù)據(jù)，選定與間距數(shù)相同的單元格范圍，輸入公式“=FREQUENCY(D25:D34,A37:A45)”，然后同時按下Ctrl＋Shift＋Enter 鍵，立即得到各個間距的殘差點頻數(shù)，容易檢驗其總和為樣品數(shù)，即n=10（圖1312）。間距不宜太大，否則看不出殘差分布規(guī)律；也不可太小，否則將會有很多間距范圍內(nèi)為0。只要絕大多數(shù)散點落入2～2 范圍內(nèi)，就認為殘差的變化范圍沒有問題。首先，考察殘差點列是否有 95%以上落入2 倍的標準誤差帶內(nèi)。在表示方法上，SPSS 也有一些不同，例如P Value（P 值）用 Sig.（顯著性）代表，因為二者等價
教學(xué)教案相關(guān)推薦
鄂ICP備17016276號-1