講回歸分析的SPSS實現2021/6/271線性回歸分析被解釋變量和各個解釋變量各對應一個spss變量．一元線性回歸和多元線性回歸分析的功能菜單是集成到一起的．數據：高校科研研究.data2021/6/272一、描繪散點交互圖基本步驟Graphs---interactive---ScatterplotAssignVariable---y=課題數；x=高級職稱人數Fit---Method---選擇RegressionOK2021/6/2732021/6/274二、用LinearRegression分析Analyze---Regression---Linear選擇被解釋變量進入Dependent框---課題數選擇一個或多個解釋變量進入Independent(s)框METHOD---Enter;stepwise;---單擊Statistics,選擇全部核選框單擊Plots,選擇”Histogram”核選框和”Normalprobalityplot”選擇”ZPRED”輸入到”Y”;選擇”SRESID”輸入到”X”;OK2021/6/275（一）立項課題數多元線性回歸分析結果

(enter策略)

結果一:模型綜述表

結果說明:

1)調整后的R2=0.939,因此模型的擬和優度較高; 模型 的F檢驗達到了0.00的極顯著水平.說明模型的線 性關 系較顯著,具有較強的解釋能力

2)D.W值=1.838接近于2,說明模型的序列相關性不強.

2021/6/276結果二:模型方差分析表

結果說明:

模型的F檢驗值=61.532,對應的概率值P=0.00,遠小于0.01的極顯著水平,應該拒絕回歸系數為零的原假設,即認為回歸系數不同時為零,被解釋變量與解釋變量全體的線性關系是顯著的,可以建立線性模型.

2021/6/277結果三:系數分析表2021/6/278結果說明:1)由于回歸方程:課題立項數=-35.313+0.698投入人年數+---2)變量的顯著性檢驗:只有“投入人年數”達到了0.003 的極顯 著水平,其他變量都不顯著,說明除了“投入人年數”外， 其他變量都與課題立項數沒有顯著的線性關系。3)多重共線性檢驗:容忍度（tolerance）越接近于0，多重共 線性越強；方差膨脹因子（VIF)越大，一般大于等于10 時，說明解釋變量Xi與其余解釋變量之間有較強的多重 共線性。4）結論：由于模型保留了一些不應保留的變量，該模型不 可用；從容忍度和方差膨脹因子看，“投入高級職稱人數”與其他解釋變量之間多重共線性嚴重。再重新建模，應考慮提出該變量。2021/6/279結果四:相關系數矩陣表2021/6/2710結果五:多重共線性檢驗表

結果說明:

1)特征根是診斷解釋變量間是否存在多重共線性的另一種有效的方法.

2)如果某一個特征根能夠刻畫某解釋變量方差的較大部分比例,(0.7以上),同時有刻畫了另一個變量的方差的較大部分,則表明這兩個解釋變量之間存在較強的線性相關關系.

3)第7個特征根既能解釋“投入人年數”方差的84%，又能解釋“投入高級職稱人數”方差的98%，同時還能解釋‘專著數“的44%，因此有理由認為這三個變量間存在多重共線性。

4）因此應重新建立回歸模型 2021/6/2711（一）立項課題數多元線性回歸分析結果

(backward策略)

結果一:模型綜述表2021/6/2712方差分析2021/6/2713回歸系數2021/6/2714多重共線性檢驗2021/6/2715剔除的變量2021/6/2716曲線估計常見的曲線模型：

二次曲線；對數曲線（logarithmic)；復合函數（compound);冪函數(Power)等

例如：人均消費支出和教育.data

要求：分析教育支出和消費支出的關系2021/6/2717常見的曲線模型二次曲線(Quadratic):y=β0+β1x+β2x2復合曲線(Compound):y=β0β1x增長曲線(Growth):y=eβ0+β1x對數曲線(Logarithmic):y=β0+β1ln(x)指數曲線(Exponential):y=β0eβ1x冪函數(Power):y=β0xβ1逆函數(Inverse):y=β0+β1/x2021/6/2718基本步驟1）Analyze---Regression---Curveestimation2）選擇被解釋變量進入Dependent框---教育支出3）選擇消費支出進入Independent(s)框；如果選擇time 參數，則表示解釋變量為時間4）Models---選擇幾種模型復合函數、冪函數等5）選擇Plotsmodels選項繪制回歸線；選擇DisplayANOVAtable輸出各個模型的方差分析表和回歸系數的顯著性檢驗2021/6/2719MODEL:MOD_2.Dependentvariable..x5Method..CUBICListwiseDeletionofMissingDataMultipleR.99711RSquare.99422AdjustedRSquare.99230StandardError32.23848AnalysisofVariance:DFSumofSquaresMeanSquareRegression31610303.3536767.78Residuals99353.91039.32F=516.46087SignifF=.0000--------------------VariablesintheEquation--------------------VariableBSEBBetaTSigTx2.075378.069194.5798971.089.3043x2**2-1.987684665861E-051.3446E-05-1.685204-1.478.1734x2**32.596263004613E-097.7924E-102.112252..(Constant)-41.31380597.204131-.425.6808

2021/6/2720Dependentvariable..x5Method..POWERListwiseDeletionofMissingDataMultipleR.97687RSquare.95428AdjustedRSquare.95012StandardError.26578AnalysisofVariance:DFSumofSquaresMeanSquareRegression116.21738716.217387Residuals11.777033.070639F=229.58009SignifF=.0000--------------------VariablesintheEquation--------------------VariableBSEBBetaTSigTx21.845988.121832.97687115.152.0000(Constant)3.5781705054E-053.7164E-05