spss的線性回歸分析(2)(完整版)
【正文】 independent框 (4)enter:所選變量全部進入回歸方程 (默認方法 ) (5)對樣本進行篩選 (selection variable) – 利用滿足一定條件的樣本數(shù)據(jù)進行回歸分析 (6)指定作圖時各數(shù)據(jù)點的標志變量 (case labels) 一元線性回歸分析操作 (二 ) statistics選項 (1)基本統(tǒng)計量輸出 – Estimates:默認 .顯示回歸系數(shù)相關(guān)統(tǒng)計量 . – confidence intervals:每個非標準化的回歸系數(shù) 95%的置信區(qū)間 . – Descriptive:各變量均值、標準差和相關(guān)系數(shù)單側(cè)檢驗概率 . – Model fit:默認 .判定系數(shù)、估計標準誤差、方差分析表、容忍度 (2)Residual框中的殘差分析 – Durbinwaston:DW值 – casewise diagnostic:異常值 (奇異值 )檢測 (輸出預測值及殘差和標準化殘差 ) 一元線性回歸分析操作 (三 )plot選項 :圖形分析 . ? Standardize residual plots:繪制殘差序列直方圖和累計概率圖 ,檢測殘差的正態(tài)性 ? 繪制指定序列的散點圖 ,檢測殘差的隨機性、異方差性 – ZPRED:標準化預測值 – ZRESID:標準 化殘差 – SRESID:學生 化殘差 – produce all partial plot:繪制因變量和所有自變量之間的散點圖 線性回歸方程的殘差分析 (一 )殘差序列的正態(tài)性檢驗 : – 繪制標準化殘差的直方圖或累計概率圖 (二 )殘差序列的隨機性檢驗 – 繪制殘差和預測值的散點圖 ,應隨機分布在經(jīng)過零的一條直線上下 線性回歸方程的殘差分析 (三 )殘差序列獨立性檢驗 : – 殘差序列是否存在后期值與前期值相關(guān)的現(xiàn)象 ,利用(DurbinWatson)檢驗 – dw=0:殘差 序列存在完全正自相關(guān) 。反之，不能拒絕 H0 )1/()?(/)?(22?????? ? knyykyyFiii多元線性回歸方程的檢驗 (三 )回歸系數(shù)的顯著性檢驗 (1)目的 :檢驗每個自變量對因變量的線性影響是否顯著 . (2)H0:βi=0 即 :第 i個回歸系數(shù)與 0無顯著差異 (3)利用 t檢驗 ,構(gòu)造 t統(tǒng)計量： – 其中 :Sy是回歸方程標準誤差 (Standard Error)的估計值，由均方誤差開方后得到，反映了回歸方程無法解釋樣本數(shù)據(jù)點的程度或偏離樣本數(shù)據(jù)點的程度 – 如果某個回歸系數(shù)的標準誤差較小，必然得到一個相對較大的 t值，表明該自變量 xi解釋因變量線性變化的能力較強。 ? 逐步篩選法則在變量的每一個階段都考慮的剔除一個變量的可能性。 ? 條件指標 – 0k10 無多重共線性 。 221 )1( RknRF chc ha ng e ? ??? 222 ich RRR ??多元線性回歸分析中的自變量篩選 (一 )自變量篩選的目的 ? 多元回歸分析引入多個自變量 . 如果引入的自變量個數(shù)較少 ,則不能很好的說明因變量的變化 。0dw2:殘差 序列存在某種程度的正自相關(guān) 。 – R2越接近于 1，則說明回歸平方和占了因變量總變差平方和的絕大部分比例，因變量的變差主要由自變量的不同取值造成，回歸方程對樣本數(shù)據(jù)點擬合得好 – 在一元回歸中 R2=r2。 – 通過若干參數(shù)描述該曲線 。反之，不能拒絕 H0 )1/()?(/)?(22?????? ? knyykyyFiii一元線性回歸方程的檢驗 (三 )回歸系數(shù)的顯著性檢驗 :t檢驗 (1)目的 :檢驗自變量對因變量的線性影響是否顯著 . (2)H0:β=0 即 :回歸系數(shù)與 0無顯著差異 (3)利用 t檢驗 ,構(gòu)造 t統(tǒng)計量： – 其中 :Sy是回歸方程標準誤差 (Standard Error)的估計值，由均方誤差開方后得到，反映了回歸方程無法解
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1