spss軟件-回歸分析(參考版)
2025-05-19 00:55本頁(yè)面
【正文】 。 小 結(jié) SPSS中 “ Analyze”/“Regression”菜單可用于回歸統(tǒng)計(jì)分析。在實(shí)際中，根據(jù)變量的個(gè)數(shù)、類(lèi)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(xiàn)性回歸分析、多元線(xiàn)性回歸分析、非線(xiàn)性回歸分析、曲線(xiàn)估計(jì)、時(shí)間序列的曲線(xiàn)估計(jì)、含虛擬自變量的回歸分析和邏輯回歸分析等。 （ 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。橫坐標(biāo)是個(gè)案屬于 1的錄屬度，這里稱(chēng)為預(yù)測(cè)概率（ Predicted Probability）。 （ 9）圖 726所示是觀(guān)測(cè)值和預(yù)測(cè)概率分布圖。 （ 8） Correlation Matrix表格列出了常數(shù) Constant、系數(shù)之間的相關(guān)矩陣。 （ 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。 （ 5） Hosmer and Lemeshow Test表格以及 Contingency Table for Hosmer and Lemeshow Test表格給出了 Hosmer和 Lemeshow的擬合優(yōu)度檢驗(yàn)統(tǒng)計(jì)量。 （ 3） Omnibus Tests of Model Coefficients表格列出了模型系數(shù)的 Omnibus Tests結(jié)果。 結(jié)果和討論 第二個(gè)表格說(shuō)明初始的因變量值（ 0， 1）已經(jīng)轉(zhuǎn)換為邏輯回歸分析中常用的 0、 1數(shù)值。 試建立 y與自變量間的 Logistic回歸，數(shù)據(jù)如表 77所示。 （ 3）作出統(tǒng)計(jì)判斷。 （ 1）提出假設(shè)。如果值大于，我們沒(méi)有充分的理由拒絕零假設(shè)，表明在可接受的水平上模型的估計(jì)擬合了數(shù)據(jù)。 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(guān)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(chēng) 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)。 2．?dāng)M合優(yōu)度（ Goodness of Fit）統(tǒng)計(jì)量 Predicted（預(yù)測(cè)值） 0 1 Percent Correct （正確分類(lèi)比例） Observed （觀(guān)測(cè)值） 0 n00 n01 f0 1 n10 n11 f1 Overall（總計(jì)） ff Classification Table for Y 3． Cox和 Snell的 R 2（ Coxamp。Logistic函數(shù)的形式為 與任何概率一樣，似然的取值范圍在 [0,1]之間。 Binary Logistic回歸模型中因變量只能取兩個(gè)值 1和 0（虛擬因變量），而Multinomial Logistic回歸模型中因變量可以取多個(gè)值。在社會(huì)科學(xué)中，應(yīng)用最多的是Logistic回歸分析。 統(tǒng)計(jì)學(xué)上的定義和計(jì)算公式 邏輯回歸分析 定義：邏輯回歸分析是對(duì)定性變量的回歸分析。 （ 3）輸出的結(jié)果文件中第三個(gè)表格如下表所示。 SPSS中實(shí)現(xiàn)過(guò)程 表 76 保險(xiǎn)公司革新情況 i y x1 d 1 17 151 0 2 26 92 0 3 21 175 0 4 30 31 0 5 22 104 0 6 0 277 0 7 12 210 0 8 19 120 0 9 4 290 0 10 16 238 0 11 28 164 1 12 15 272 1 13 11 295 1 14 38 68 1 15 31 85 1 16 21 224 1 17 20 166 1 18 13 305 1 19 30 124 1 20 14 246 1 ? 實(shí)現(xiàn)步驟 圖 723 “Linear Regression”對(duì)話(huà)框（三） （ 1）第一部分輸出結(jié)果文件中的第一個(gè)表格如下表所示。 （ 2）自變量中含多個(gè)定性變量時(shí)。 下面以自變量所含定性變量是一個(gè)還是多個(gè)來(lái)分別說(shuō)明如何構(gòu)造含虛擬自變量的回歸模型。當(dāng) k=2時(shí)，只需要引入一個(gè) 0?1型虛擬變量 D。需要指出的是，雖然虛擬變量取某一數(shù)值，但這一數(shù)值沒(méi)有任何數(shù)量大小的意義，它僅僅用來(lái)說(shuō)明觀(guān)察單位的性質(zhì)和屬性。再如，用 “ l”表示某人是男性， “ 0”則表示某人是女性。當(dāng)某一屬性出現(xiàn)時(shí)，虛擬變量取值為 “ 1”，否則取值為 “ 0”。顯然，如果忽略質(zhì)的因素，仍把模型中的參數(shù)看作是固定不變的，得到的參數(shù)估計(jì)量就不能正確描述經(jīng)濟(jì)變量之間的關(guān)系。例如，在空調(diào)銷(xiāo)售模型中，收入、價(jià)格與空調(diào)銷(xiāo)售額的關(guān)系是隨著季節(jié)變化而改變的，也就是說(shuō)，在不同的季節(jié)回歸模型的參數(shù)也會(huì)有所不同。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(xiāo)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。然而，在實(shí)際問(wèn)題的研究中，經(jīng)常會(huì)碰到一些非數(shù)量型的變量，如性別、民族、職業(yè)、文化程度、地區(qū)、正常年份與干旱年份、改革前與改革后等定性變量。如圖 722所示。 結(jié)果和討論 （ 2）第二部分輸出的是觀(guān)察值 Linear，Cubic， Power和 Exponential 4種曲線(xiàn)預(yù)測(cè)值的對(duì)比圖，如圖 721所示。數(shù)據(jù)如表 75所示。 計(jì)算公式： SPSS中時(shí)間序列的曲線(xiàn)估計(jì)模型與上一節(jié)所介紹相同。通常把時(shí)間設(shè)為自變量 x，代表具體的經(jīng)濟(jì)或社會(huì)現(xiàn)象的變
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1