spss的相關分析和回歸分析-資料下載頁
2025-05-10 18:36本頁面
【正文】 near… (2)選擇一個變量為因變量進入 dependent框 (3)選擇一個或多個變量為自變量進入 independent框 (4)選擇多元回歸分析的自變量篩選方法 : – enter:所選變量全部進入回歸方程 (默認方法 ) – remove:從回歸方程中剔除變量 – stepwise:逐步篩選； backward:向后篩選； forward:向前篩選 (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) 多元線性回歸分析操作 (二 ) statistics選項 (1)基本統(tǒng)計量輸出 – Part and partial correlation:與 Y的簡單相關、偏相關和部分相關 – R square change:每個自變量進入方程后 R2及 F值的變化量 – Collinearity dignostics:共線性診斷 . 多元線性回歸分析操作 (三 )options選項 : ? stepping method criteria:逐步篩選法參數(shù)設置 . – use probability of F:以 F值相伴概率作為變量進入和剔除方程的標準 .一個變量的 F值顯著性水平小于 entry()則進入方程 。大于 removal()則剔除出方程 .因此 :Entryremoval – use F value:以 F值作為變量進入 ()和剔除 ()方程的標準 (四 )save選項 : 將回歸分析結(jié)果保存到數(shù)據(jù)編輯窗口中或某磁盤文件中 線性回歸分析中的共線性檢測 (一 )共線性帶來的主要問題 – 高度的多重共線會使回歸系數(shù)的標準差隨自變量相關性的增大而不斷增大 ,以至使回歸系數(shù)的置信區(qū)間不斷增大 ,造成估計值精度減低 . (二 )共線性診斷 ? 自變量的容忍度 (tolerance)和方差膨脹因子 – 容忍度 :Toli=1Ri2. 其中 : Ri2是自變量 xi與方程中其他自變量間的復相關系數(shù)的平方 . – 容忍度越大則與方程中其他自變量的共線性越低 ,應進入方程 . (具有太小容忍度的變量不應進入方程 ,spss會給出警 )(T般認為具有多重共線性 ) – 方差膨脹因子 (VIF):容忍度的倒數(shù) – SPSS在回歸方程建立過程中不斷計算待進入方程自變量的容忍度 ,并顯示目前的最小容忍度 線性回歸分析中的共線性檢測 (二 )共線性診斷 ? 用特征根刻畫自變量的方差 – 如果自變量間確實存在較強的相關關系，那么它們之間必然存在信息重疊，于是可從這些自變量中提取出既能反映自變量信息 (方差 )又相互獨立的因素 (成分 )來 . – 從自變量的相關系數(shù)矩陣出發(fā)，計算相關系數(shù)矩陣的特征根，得到相應的若干成分 . – 如果某個特征根既能夠刻畫某個自變量方差的較大部分比例(如大于 ),同時又可以刻畫另一個自變量方差的較大部分比例，則表明這兩個自變量間存在較強的多重共線性。 ? 條件指標 – 0k10 無多重共線性 。 10=k=100 較強 。 k=100 嚴重 imik ???線性回歸分析中的異方差問題 (一 )什么是差異方差 – 回歸模型要求殘差序列服從均值為 0并具有相同方差的正態(tài)分布 ,即 :殘差分布幅度不應隨自變量或因變量的變化而變化 .否則認為出現(xiàn)了異方差現(xiàn)象 (二 )舉例理解異方差 ? 收入水平和消費種類 ? 打字時間和出錯類型 線性回歸分析中的異方差問題 (三 )差異方差診斷 – 可以通過繪制標準化殘差序列和因變量預測值 (或每個自變量 )的散點圖來識別是否存在異方差 (四 )異方差處理 – 實施方差穩(wěn)定性變換 ? 殘差與 yi(預測值 )的平方根呈正比：對 yi開平方 ? 殘差與 yi(預測值 )呈正比 :對 yi取對數(shù) . ? 殘差與 yi(預測值 )的平方呈正比 ,則 1/yi 線性回歸分析中的異方差問題 (四 )異方差處理 – 利用加權最小二乘法來代替普通最小二乘法估計回歸模型參數(shù) . – 一般 :wi=1/δi2 wi=1/xim – 實現(xiàn)方式 :WSL按鈕 ,指定加權變量 (同 SPSS的 weight estimation權重估計 ) 曲線估計 (curve estimate) (一 )目的 : 在一元回歸分析或時間序列中 ,因變量與自變量 (時間 )之間的關系不呈線性關系 ,但通過適當處理 ,可以轉(zhuǎn)化為線性模型 .可進行曲線估計 . (二 )曲線估計的常用模型 : ? y=b0+b1t (線性擬和 linear) ? y=b0+b1t+b2t2 (二次曲線 quadratic) ? y=b0+b1t+b2t2+b3t3 (三次曲線 cubic) t為時間 ,也可為某一自變量 . 曲線估計 (curve estimate) (三 )基本操作步驟 (1)繪制散點圖 ,觀察并確定模型 . (2)菜單選項 : analyzeregressioncurve estimation (3) 選擇因變量到 dependent框 (4) 選擇自變量到 independent框或選 time以時間作自變量 (5)選擇模型 (R2最高擬和效果最好 ) 曲線估計 (curve estimate) (四 )其他選項 (1)display ANOVA table:方差分析表 (2)plot models:繪制觀察值和預測值的對比圖 . (3)save選項 : – predicted values:保存預測值 . – Residual:保存殘差值 . – prediction interval:保存預測值的默認 95%的可置信區(qū)間 . – Predict case:以 time作自變量進行預測 . ? Predict from estimation period through last case:計算保存所有預測值 . ? Predict through :如果預測周期超過了數(shù)據(jù)文件的最后一個觀測期 ,選擇此項 ,并輸入預測期數(shù) .
試題試卷相關推薦
鄂ICP備17016276號-1