【正文】 快速聚類分析的實(shí)質(zhì)是 KMean聚類。 結(jié)果和討論 （ 2）輸出的結(jié)果文件中第二個(gè)表格如下表所示。 （ 6）輸出的結(jié)果文件中第六部分如圖 87所示。 ? 研究問題 對(duì)一個(gè)班同學(xué)的數(shù)學(xué)水平進(jìn)行聚類。 SPSS提供了多種計(jì)算方法（計(jì)算規(guī)則）。計(jì)算公式為 連續(xù)變量親疏程度的度量，除了上面的各種距離外，還可以計(jì)算其他統(tǒng)計(jì)指標(biāo)。下面講述這兩種類型親疏程度的計(jì)算方法和公式。那么，如果有 150個(gè)新的客戶提交貸款請(qǐng)求，就可以利用創(chuàng)建好的判別函數(shù)，對(duì)新的客戶進(jìn)行分析，從而判斷新的客戶是屬于可靠客戶類，還是不可靠客戶類。如果觀察值的個(gè)數(shù)多或文件非常龐大（通常觀察值在 200個(gè)以上），則宜采用快速聚類分析方法。因此我們說聚類分析是一種探索性的分析方法。其中層次聚類分析根據(jù)聚類的對(duì)象不同分成 Q型聚類和 R型聚類。 （ 10）邏輯回歸的最后一個(gè)輸出表格是Casewise List，列出了殘差大于 2的個(gè)案。 （ 7） Variables in the Equation表格列出了 Step 1中各個(gè)變量對(duì)應(yīng)的系數(shù)，以及該變量對(duì)應(yīng)的 Wald 統(tǒng)計(jì)量值和它對(duì)應(yīng)的相伴概率。 試建立 y與自變量間的 Logistic回歸，數(shù)據(jù)如表 77所示。 6． Hosmer和 Lemeshow的擬合優(yōu)度檢驗(yàn)統(tǒng)計(jì)量（ Hosmer and Lemeshow＇ s Goodness of Fit Test Statistic） 與一般擬合優(yōu)度檢驗(yàn)不同， Hosmer和Lemeshow的擬合優(yōu)度檢驗(yàn)通常把樣本數(shù)據(jù)根據(jù)預(yù)測(cè)概率分為 10組，然后根據(jù)觀測(cè)頻數(shù)和期望頻數(shù)構(gòu)造卡方統(tǒng)計(jì)量（即 Hosmer和 Lemeshow的擬合優(yōu)度檢驗(yàn)統(tǒng)計(jì)量，簡(jiǎn)稱 HL擬合優(yōu)度檢驗(yàn)統(tǒng)計(jì)量），最后根據(jù)自由度為 8的卡方分布計(jì)算其值并對(duì) Logistic模型進(jìn)行檢驗(yàn)。在社會(huì)科學(xué)中，應(yīng)用最多的是Logistic回歸分析。 （ 2）自變量中含多個(gè)定性變量時(shí)。再如，用 “ l”表示某人是男性， “ 0”則表示某人是女性。例如，建立糧食產(chǎn)量預(yù)測(cè)方程就應(yīng)考慮到正常年份與受災(zāi)年份的不同影響；建立空調(diào)的銷售模型時(shí)，除了要考慮居民收入和商品價(jià)格這兩個(gè)量的因素之外，還必須將 “ 季節(jié) ” 這個(gè)質(zhì)的因素，作為一個(gè)重要解釋變量。數(shù)據(jù)如表 75所示。得出它們與觀察值的對(duì)比圖，如圖 717所示。 統(tǒng)計(jì)學(xué)上的定義和計(jì)算公式 曲 線 估 計(jì) 定義：在一元回歸分析中，一般首先繪制自變量和因變量間的散點(diǎn)圖，然后通過數(shù)據(jù)在散點(diǎn)圖中的分布特點(diǎn)選擇所要進(jìn)行回歸分析的類型，是使用線性回歸分析還是某種非線性的回歸分析。 非線性回歸問題大多數(shù)可以化為線性回歸問題來求解，也就是通過對(duì)非線性回歸模型進(jìn)行適當(dāng)?shù)淖兞孔儞Q，使其化為線性模型來求解。 （ 5）輸出的結(jié)果文件中第五個(gè)表格如下表所示。 （ 1）擬合優(yōu)度檢驗(yàn) 測(cè)定多元線性回歸的擬合程度，與一元線性回歸中的判定系數(shù)類似，使用多重判定系數(shù)，其定義為 （ 2）回歸方程的顯著性檢驗(yàn)（ F檢驗(yàn)） 多元線性回歸方程的顯著性檢驗(yàn)一般采用F檢驗(yàn)，利用方差分析的方法進(jìn)行。ixjijijy SXXxSYYy ????標(biāo)準(zhǔn)化 中心化 。下方的按鈕可以讓我們選擇將這些新變量存儲(chǔ)到一個(gè)新的 SPSS數(shù)據(jù)文件或 XML中。 R squared change復(fù)選框：顯示模型擬合過程中 R F值和 p值的改變情況。最典型的情況是使用記錄 ID號(hào)的變量。求合成纖維的強(qiáng)度與拉伸倍數(shù)之間是否存在顯著的線性相關(guān)關(guān)系。 檢驗(yàn)的假設(shè)為： 0320 ???? kH ??? ?：不全為零： )k,j(H j ?321 ??)kn,k(F~)kn(R S S )k(E S SF ????? 11對(duì)給定的顯著性水平 ，查 F分布表確定臨界值。因?yàn)椋瑧?yīng)用最小二乘法求得的樣本回歸直線作為對(duì)總體回歸直線的近似，這種近似是否合理，必須對(duì)其作各種統(tǒng)計(jì)檢驗(yàn)。 在實(shí)際中，根據(jù)變量的個(gè)數(shù)、變量的類型以及變量之間的相關(guān)關(guān)系，回歸分析通常分為一元線性回歸分析、多元線性回歸分析、非線性回歸分析、曲線估計(jì)、時(shí)間序列的曲線估計(jì)、含虛擬自變量的回歸分析和邏輯回歸分析等類型。 ? 在回歸分析中，因變量 y是隨機(jī)變量，自變量 x可以是隨機(jī)變量，也可以是非隨機(jī)的確定變量；而在相關(guān)分析中，變量 x和變量 y都是隨機(jī)變量。SPSS 16實(shí)用教程 第 7章 回歸分析 回歸分析基本概念 一元線性回歸分析 多元線性回歸分析 非線性回歸分析 曲 線 估 計(jì) 時(shí)間序列的曲線估計(jì) 含虛擬自變量的回歸分析 含虛擬自變量的回歸分析 在數(shù)量分析中，經(jīng)常會(huì)看到變量與變量之間存在著一定的聯(lián)系。 ? 相關(guān)分析是測(cè)定變量之間的關(guān)系密切程度，所使用的工具是相關(guān)系數(shù)；而回歸分析則是側(cè)重于考察變量之間的數(shù)量變化規(guī)律，并通過一定的數(shù)學(xué)表達(dá)式來描述變量之間的關(guān)系，進(jìn)而確定一個(gè)或者幾個(gè)變量的變化對(duì)另一個(gè)特定變量的影響程度。 一元線性回歸分析 統(tǒng)計(jì)學(xué)上的定義和計(jì)算公式 定義：一元線性回歸分析是在排除其他影響因素或假定其他影響因素確定的條件下，分析某一個(gè)因素（自變量）是如何影響另一事物（因變量）的過程，所進(jìn)行的分析是比較理想化的。一般經(jīng)常作以下的統(tǒng)計(jì)檢驗(yàn)。 ，拒絕原假設(shè)，說明回歸方程顯著。 SPSS中實(shí)現(xiàn)過程 表 71 強(qiáng)度與拉伸倍數(shù)的試驗(yàn)數(shù)據(jù) 序 號(hào) 拉 伸 倍 數(shù) 強(qiáng)度（ kg/mm2） 1 2 3 4 5 6 7 8 9 10 11 12 ? 實(shí)現(xiàn)步驟 圖 71 在菜單中選擇“ Linear”命令 圖 72 “Linear Regression”對(duì)話框（一） 【 Dependent框 】 用于選入回歸分析的應(yīng)變量。 【 WLS鈕 】 可利用該按鈕進(jìn)行權(quán)重最小二乘法的回歸分析。 Descriptives復(fù)選框：提供一些變量描述，如有效例數(shù)、均數(shù)、標(biāo)準(zhǔn)差等，同時(shí)還給出一個(gè)自變量間的相關(guān)矩陣。 圖 76 “Linear Regression： Options”對(duì)話框 （ 1）輸出結(jié)果文件中的第一個(gè)表格如下表所示。 jijijii XXxYYy ????C oe ff i c i e n t sa1 0 6 9 . 5 3 0 1 4 6 6 . 3 9 7 . 7 2 9 . 4 8 0 . 0 0 5 . 0 0 2 . 0 2 7 2 . 0 3 3 . 0 6 51 . 0 5 4 . 0 1 2 . 9 4 7 8 5 . 3 1 0 . 0 0 0. 9 4 9 . 1 1 7 . 0 8 7 8 . 1 3 4 . 0 0 0 . 0 1 9 . 0 2 3 . 0 0 7 . 8 1 0 . 4 3 4(C o n s t a n t )G D P （億元）稅收?。▋|元）其它收入（億元）從業(yè)人員（萬人）Mo d e l1B S t d . E r r o rU n s t a n d a r d iz e dC oe f f ic ie n t sB e t aS t a n d a r d iz e dC oe f f ic ie n t st S ig .D e p e n d e n t V a r ia b le : 財(cái)政收入（億元）a . 1 2 3 41 0 6 9 . 5 3 0 . 0 0 5 1 . 0 5 4 0 . 9 4 9 0 . 0 1 9y x x x x? ? ? ? ?** 1 2 3 40 . 0 2 7 0 . 9 4 7 0 . 0 8 7 0 . 0 0 7y x x x x? ? ? ? ?回歸方程為： 標(biāo)準(zhǔn)化的回歸方程為： 多元線性回歸分析 統(tǒng)計(jì)學(xué)上的定義和計(jì)算公式 定義：在上一節(jié)中討論的回歸問題只涉及了一個(gè)自變量，但在實(shí)際問題中，影響因變量的因素往往有多個(gè)。 （ 3）回歸系數(shù)的顯著性檢驗(yàn)（ t檢驗(yàn)） 回歸系數(shù)的顯著性檢驗(yàn)是檢驗(yàn)各自變量 x1，x2， …，對(duì)因變量 y的影響是否顯著，從而找出哪些自變量對(duì) y的影響是重要的，哪些是不重要的。 （ 6）輸出的結(jié)果文件中第六個(gè)表格為回歸系數(shù)分析，如下表所示 （ 7）輸出的結(jié)果文件中第七個(gè)表格如下表所示。一般步驟為： ? 根據(jù)經(jīng)驗(yàn)或者繪制散點(diǎn)圖，選擇適當(dāng)?shù)姆蔷€性回歸方程； ? 通過變量置換，把非線性回歸方程化為線性回歸； ? 用線性回歸分析中采用的方法來確定各回歸系數(shù)的值； ? 對(duì)各系數(shù)進(jìn)行顯著性檢驗(yàn)。 然而，在實(shí)際問題中，用戶往往不能確定究竟該選擇何種函數(shù)模型更接近樣本數(shù)據(jù)，這時(shí)可以采用曲線估計(jì)的方法，其步驟如下： ? 首先根據(jù)實(shí)際問題本身特點(diǎn)，同時(shí)選擇幾種模型； ? 然后 SPSS自動(dòng)完成模型的參數(shù)估計(jì)，并顯示 R F檢驗(yàn)值、相伴概率值等統(tǒng)計(jì)量； ? 最后，選擇具有 R2統(tǒng)計(jì)量值最大的模型作為此問題的回歸模型，并作一些預(yù)測(cè)。 圖 717 對(duì)比圖 3 （ 5）如果在圖 713所示對(duì)話框中選中了“ Display ANOVA table”項(xiàng)，作回歸方程顯著性檢驗(yàn)，將輸出相應(yīng)的方差分析表，以Cubic模型為例（如下表所示），其結(jié)果是：回歸方程顯著有意義，并且 x,x2,x3三個(gè)自變量的系數(shù)顯著不為零。（資料來源： 《 中國統(tǒng)計(jì)年鑒2020》 ，中國統(tǒng)計(jì)出版社， 2020年） SPSS中實(shí)現(xiàn)過程 表 75 1978～ 2020年社會(huì)消費(fèi)品零售總額 序 號(hào) 年 份 社會(huì)消費(fèi)品零售總額（億元） 1 1978 2 1979 3 1980 4 1981 5 1982 6 1983 7 1984 8 1985 9 1986 10 1987 11 1988 12 1989 13 1990 14 1991 15 1992 16 1993 17 1994 18 1995 19 1996 20 1997 21 1998 22 1999 23 2020 24 2020 25 2020 26 2020 27 2020 28 2020 29 2020 ? 實(shí)現(xiàn)步驟 圖 719 “Curve Estimation”對(duì)話框（三） 圖 720 “Curve Estimation： Save”對(duì)話框（二） （ 1）第一部分輸出相關(guān)統(tǒng)計(jì)量和參數(shù)的值如下表所示。 由于受到質(zhì)的因素影響，回歸模型的參數(shù)不再是固定不變的。虛擬變量也稱為啞變量。 ? 研究問題 研究采取某項(xiàng)保險(xiǎn)革新措施的速度 y與保險(xiǎn)公司的規(guī)模 x1及其類型 d之間的關(guān)系，數(shù)據(jù)如表 76所示。 Logistic回歸分析根據(jù)因變量取值類別不同，又可以分為 Binary Logistic回歸分析和 Multinominal Logistic回歸分析。 如果該 p值小于給定的顯著性水平（如=），則拒絕因變量的觀測(cè)值與模型預(yù)測(cè)值不存在差異的零假設(shè)，表明模型的預(yù)測(cè)值與觀測(cè)值存在顯著差異。 SPSS中實(shí)現(xiàn)過程 表 77 使用交通工具上下班情況 序號(hào) x1（年齡） x2（月收入：元） x3（性別） y 1 18 850 0 0 2 21 1200 0 0 3 23 850 0 1 4 23 950 0 1 5 28 1200 0 1 6 31 850 0 0 7 36 1500 0 1 8 42 1000 0 1 9 46 950 0 1 10 48 1200 0 0 11 55 1800 0 1 12 56 2100 0 1 13 58 1800 0 1 14 18 850 1 0 15 20 1000 1 0 16 25 1200 1 0 17 27 1300 1 0 18 28 1500 1 0 19 30 950 1 1 20 32 1000 1 0 21 33 1800 1 0 22 33 1000 1 0 23 38 1200 1 0 24 41 1500 1 0 25 45 1800 1 1 26 48 1000 1 0 27 52 1500 1 1 28 56 1800 1 1 ? 實(shí)現(xiàn)步驟 圖 724 “Logistic Regression”對(duì)話框 圖 725 “Logistic Regression： Opti