线性回归（异方差的诊断、检验和修补）-spss操作.doc

线性回归（异方差的诊断、检验和修补）—SPSS操作首先拟合一般的线性回归模型，绘制残差散点图步骤和结果如下：为方便，只做简单的双变量回归模型，以当前工资作为因变量，初始工资作为自变量你们自己做的时候可以考虑加入其他的自变量，比如受教育程度等等）Analyze——regression——linear将当前工资变量拉入dependent框，初始工资进入independent点击上图中的PLOTS，出现以下对话框：以标准化残差作为Y轴，标准化预测值作为X轴，点击continue，再点击OK第一个表格输出的是模型拟合优度，为0.775调整后的拟合优度为0.774.第二个是方差分析，可以说是模型整体的显著性检验F统计量为1622.1，P值远小于0.05，故拒绝原假设，认为模型是显著的第三个是模型的系数，constant代表常数项，初始工资前的系数为1.909，t检验的统计量为40.276，通过P值，发现拒绝原假设，认为系数显著异于0以上是输出的残差对预测值的散点图，发现存在喇叭口形状，暗示着异方差的存在，故接下来进行诊断，一般需要诊断异方差是由哪个自变量引起的，由于这里我们只选用一个变量作为自变量，故认为异方差由唯一的自变量“初始工资”引起。

接下来做加权的最小二乘法，首先计算权数Analyze——regression——weight estimation再点击options，点击continue，再点击OK，输出如下结果：由于结果比较长，只贴出一部分，第二栏的值越大越好所以挑出来的权重变量的次数为2.7得出最佳的权重侯，即可进行回归Analyze——regression——linear继续点击save，在上面两处打勾，点击continue，点击ok这是输出结果，和之前同样的分析方法接下需要绘制残差对预测值的散点图，首先通过transform里的compute计算考虑权重后的预测值和残差以上两个步骤后即可输出考虑权重后的预测值和残差值然后点击graph，绘制出的散点图如下：。