5.7spss中的回归分析.7spss中的回归分析5.7spss中的回归分析5.7spss中的回归分析.ppt

5-7-1 线性回归模型 参数估计 最小二乘法 模型统计推断检验 拟合优度检验 方程显著性检验（F检验） 变量显著性检验（t检验） 多元线性回归： 1、因变量、自变量的确定 2、变量引入、剔除方法的选择 3、常用选择项 4、检验 （1）模型拟合检验：调整R2 应用举例：全国财政收入的回归分析 移除GNP后，剩余的自变量采用ENTER法 在例5-7-3中，对y进行按时间序列做曲线估计。 逻辑回归应用 风险与保障: 基于农村养老问题的一个实证分析 ——《农业经济问题》 (月刊) 2005年第9期 一、数据来源与变量的描述 本文数据来自2003年7月份在全国范围内开展的“劳动与社会保障问题”问卷调查。 此次调查按照经济发展水平在浙江、江苏、广东、福建、湖北、广西、河北、河南、四川、陕西、安徽11个省抽取38个行政村，每村抽取30户左右的居民进行入户问卷调查，共发放问卷1112份，收回有效问卷1106份，有效回收率99.5%。 Display：显示方法选项。 At each step：显示每一步的结果。系统默认值。 At last step：显示综合中间过程和最后结果。 Probability for stepwise：协变量引入或删除的概率标准选项 Entry栏，引入协变量标准，默认值为0.05。 Removal栏，删除协变量标准，系统默认值为0.10。 Classification Cutoff: 因变量分类界限，系统默认值为0.5。 Maximum Iterations:设定最大迭代次数，系统默认值为20次。 Include constant in model：模型包含常数项，系统默认值 ? 研究问题 在一次关于某城镇居民上下班使用交通工具的社会调查中，因变量y =1表示居民主要乘坐公共汽车上下班；y?=0表示主要骑自行车上下班；自变量x1表示被调查者的年龄；x2表示被调查者的月收入；x3表示被调查者的性别（x3=1为男性，x3=0为女性）。 试建立y与自变量间的Logistic回归. 三、应用举例 使用交通工具上下班情况 1 1 1800 56 28 1 1 1500 52 27 0 1 1000 48 26 1 1 1800 45 25 0 1 1500 41 24 0 1 1200 38 23 0 1 1000 33 22 0 1 1800 33 21 0 1 1000 32 20 1 1 950 30 19 0 1 1500 28 18 0 1 1300 27 17 0 1 1200 25 16 0 1 1000 20 15 0 1 850 18 14 1 0 1800 58 13 1 0 2100 56 12 1 0 1800 55 11 0 0 1200 48 10 1 0 950 46 9 1 0 1000 42 8 1 0 1500 36 7 0 0 850 31 6 1 0 1200 28 5 1 0 950 23 4 1 0 850 23 3 0 0 1200 21 2 0 0 850 18 1 y x3（性别） x2（月收入：元） x1（年龄） 序号 ? 实现步骤 “Logistic Regression”对话框 “Logistic Regression：Options”对话框 （1）第一部分输出结果有两个表格，第一个表格说明所有个案（28个）都被选入作为回归分析的个案。 结果和讨论 第二个表格说明初始的因变量值（0，1）已经转换为逻辑回归分析中常用的0、1数值。 （2）第二部分（Block 0）输出结果有4个表格。 （3）Omnibus Tests of Model Coefficients表格列出了模型系数的Omnibus Tests结果。 （4）Model Summary表给出了-2 对数似然值、Cox和Snell的R2以及Nagelkerke的R2检验统计结果。 （5）Hosmer and Lemeshow Test表格以及Contingency Table for Hosmer and Lemeshow Test表格给出了Hosmer和Lemeshow的拟合优度检验统计量。 结论： 因变量的观测值与模型预测值不存在显著性差异。 （6）Classification Table分类表说明第一次迭代结果的拟合效果，从该表格可以看出对于y=0，有86.7%的准确性；对于y=1，有76.9%准确性，因此对于所有个案总共有82.1%的准