方差回归分析专题讲座PPT培训课件.pptVIP

4.单击OK，可以得到相关分析的结果。见图所示。 从表中可以看到两个变量相关性分析的结果：相关系数是0.996，相关程度非常高，且假设检验的P值远远地小于0.05，可以认为人均国内生产总值与城镇居民消费额存在线性正相关关系。 偏相关分析 简单相关关系只反映两个变量之间的关系，但如果因变量受到多个因素的影响时，因变量与某一自变量之间的简单相关关系显然受到其它相关因素的影响，不能真实地反映二者之间的关系，所以需要考察在其它因素的影响剔除后二者之间的相关程度，即偏相关分析。 例5 为了考察火柴销售量的影响因素，选择煤气户数、卷烟销量、蚊香销量、打火石销量作为影响因素，得数据表。试求火柴销售量与煤气户数的偏相关系数. 年份 火柴销售量 （万件） 煤气户数 （万户） 卷烟销量 （百箱） 蚊香销量 （十万盒） 打火石销量 （百万粒） 68 23.69 25.68 23.6 10.1 4.18 69 24.1 25.77 23.42 13.31 2.43 70 22.74 25.88 22.09 9.49 6.5 71 17.84 27.43 21.43 11.09 25.78 72 18.27 29.95 24.96 14.48 28.16 73 20.29 33.53 28.37 16.97 24.26 74 22.61 37.31 42.57 20.16 30.18 75 26.71 41.16 45.16 26.39 17.08 76 31.19 45.73 52.46 27.04 7.39 77 30.5 50.59 45.3 23.08 3.88 78 29.63 58.82 46.8 24.46 10.53 79 29.69 65.28 51.11 33.82 20.09 80 29.25 71.25 53.29 33.57 21.22 81 31.05 73.37 55.36 39.59 12.63 82 32.28 76.68 54 48.49 11.17 求解火柴销售量与煤气户数的偏相关系数具体操作如下： 1、首先打开数据文件SY-32，单击分析Analyze ?相关 Correlate?偏相关 Partial，打开对话框，见图所示。 要考察的变量 其它客观存在的变量 2、从左边框内选择要考察的两个变量进入变量框内，其它变量进入控制框内，如本例中考察煤气户数与火柴销量的偏相关系数进入变量框内，其它（除年份外）进入控制框内。 Partial Correlations 对话框 Partial Correlations 对话框 (即：Pearson相关系数) 本例中选择简单相关系数。 输出结果： 从表中可以看出，火柴销量与煤气户数的简单相关系数为0.826，自由度为13，检验的P值为0.00；而偏相关系数为0.605，自由度为10，检验的P值为0.037，表示煤气户数对火柴销量的真实影响是显著的。 表中的上半部分是简单相关系数，下半部分是偏相关系数。 回归分析研究的是自变量与因变量之间的非确定性的因果关系； SPSS提供的回归分析过程有： 线性回归(Linear)、曲线估计(Curve Estimation)、二分变量逻辑回归 (Binary Logistic)、多分变量逻辑回归(Multinomial Logistic)、序回归(Ordinal)、概率单位回归(Probit)、非线性回归(Nonlinear)、加权估计(Weight Estimation)、最优编码回归(optimal Scaling)和二阶段最小平方法(2-Stage Least Squares )。 回归分析 线性回归分析 线性回归是统计分析方法中最常用的方法之一。如果所研究的现象有若干个影响因素，且这些因素对现象的综合影响是线性的，则可以使用线性回归的方法建立现象 （因变量）与影响因素（自变量）之间的线性函数关系式。由于多元线性回归的计算量比较大，所以有必要应用统计分析软件实现。 介绍SPSS软件的线性回归分析的操作方法，包括求回归系数，给出回归模型的各项检验统计量值及相应的概率，对输出结果的分析等相关内容。 1、线性回归的假设理论 （1）正态性假设：即所研究的变量均服从正态分布； （2）等方差假设：即各变量总体的方差是相等的； （3）独立性假设, 即各变量之间是相互独立的； （4）残差项无自相关性，即误差项之间互不相关; 2、线性回归模型的检验项目 （1）回归系数的检验（t检验）。 （2）回归方程的检验（F检验）。 （3）拟合程度判定（可决系数R2）。 （4）D.W检验（残差项是否自相关）。 （5）共线性检验（多元线性回归）。 （6）残差图示分析（判断异方差性和残差序列自相关）。 线性回归模型假设条件与模型的各种检验 1、打