统计分析和SPSS的应用第五版课后练习答案与解析第9章.doc

3D.0D-20.00-40.00 50.00 SO .00 7D.OO 80.00 90„00 1D0J0《统计分析与SPSS的应用（第五版）》（薛薇）课后练习答案第9章SPSS的线性回归分析1利用第2章第9题的数据，任意选择两门课程成绩作为解释变量和被解释变量， 利用SPSS提供的绘制散点图功能进行一元线性回归分析请绘制全部样本以及不同性别下两门课程 成绩的散点图，并在图上绘制三条回归直线，其中，第一条针对全体样本，第二和第三条 分别针对男生样本和女生样本，并对各回归直线的拟和效果进行评价选择fore和phy两门成绩体系散点图步骤：图形 旧对话框 散点图 简单散点图 定义 将fore导入Y轴，将phy导入X轴，将sex导入设置标记 确定sex0 fetnale male接下来在SPS输出查看器中，双击上图，打开图表编辑在图表编辑器中，选择“元素”菜单选择总计拟合线 选择线性 应用 再选择元素菜单点击子组拟合线 选择线性应用60.00-sex'' female1 mileJ- femaleR3 播虫L) = 0.102 ferrwle： R3 ,;: = 0.20G mnlu; R2 迖吒=0.15560.00-40.DO-2Q,0O-0 |y^16.18+O.16*)£T r4Q.OO 50.001 ! I50.00 70.00 30 .ao90.00 1 00.00分析：如上图所示，通过散点图，被解释变量y（即：fore）与解释变量phy有一定 的线性关系。

但回归直线的拟合效果都不是很好2、请说明线性回归分析与相关分析的关系是怎样的？相关分析是回归分析的基础和前提， 回归分析则是相关分析的深入和继续 相关分析需要依靠回归分析来表现变量之间数量相关的具体形式， 而回归分析则需要依靠相关分析来表现变量之间数量变化的相关程度 只有当变量之间存在高度相关时， 进行回归分析寻求其相关的具体形式才有意义如果在没有对变量之间是否相关以及相关方向和程度做出正确判断之前，就进行回归分析，很容易造成“虚假回归” 与此同时，相关分析只研究变量之间相关 的方向和程度，不能推断变量之间相互关系的具体形式， 也无法从一个变量的变化来推测另 一个变量的变化情况，因此，在具体应用过程中， 只有把相关分析和回归分析结合起来，才 能达到研究和分析的目的线性回归分析是相关性回归分析的一种， 研究的是一个变量的增加或减少会不会引起另一个变量的增加或减少3、请说明为什么需要对线性回归方程进行统计检验？ 一般需要对哪些方面进行检验？ 检验其可信程度并找出哪些变量的影响显著、哪些不显著主要包括回归方程的拟合优度检验、 显著性检验、回归系数的显著性检验、 残差分析等线性回归方程能够较好地反映被解释变量和解释变量之间的统计关系的前提是被解释 变量和解释变量之间确实存在显著的线性关系。

回归方程的显著性检验正是要检验被解释变量和解释变量之间的线性关系是否显著 ，用 线性模型来描述他们之间的关系是否恰当一般包括回归系数的检验，残差分析等4、请说明SPSS多元线性回归分析中提供了哪几种解释变量筛选策略?向前、向后、逐步5、先收集到若干年粮食总产量以及播种面积、使用化肥量、农业劳动人数等数据，请利用 建立多元线性回归方程，分析影响粮食总产量的主要因素数据文件名为“粮食总产 量.sav ”方法：采用“前进“回归策略步骤：分析 回归 线性 将粮食总产量导入因变量、 其余变量导入自变量 方法项选“前进”确定如下图：（也可向后、或逐步）已输入/除去变量a模型已输入变量已除去变量方法1施用化肥量（kg/公顷）向前（准则：F-to-enter 的概率 <=.050 ）2风灾面积比例（%）向前（准则：F-to-enter概率＜=.050的）3向前（准则：年份F-to-enter的概率＜=.050）4总播种面积（万向前（准则：F-to-enter概率＜=.050的公顷））a.因变量：粮食总产量（y万吨）模型摘要模型RR平方调整后的方R平标准估算的错误1.960 a.922.9192203.301542.975 b.950.9471785.901953.984 c.969.9661428.736174.994 d.989.987885.05221a.预测变量：（常量），施用化肥量（kg/公顷）b.预测变量：（常量），施用化肥量(kg/公顷),风灾面积比例(%)c.预测变量：（常量），施用化肥量(kg/公顷),风灾面积比例(%),年份d.预测变量：（常量），施用化肥量(kg/公顷),风灾面积比例(%),年份,总播种面积（万公顷）ANOVA模型平方和自由度均方F显著性1回归1887863315.61611887863315.616388.886.000 b残差160199743.070334854537.669总计2048063058.686342回归1946000793.4222973000396.711305.069.000 c残差102062265.263323189445.789总计2048063058.686343回归1984783160.3293661594386.776324.106.000 d残差63279898.356312041287.044总计2048063058.686344回归2024563536.0114506140884.003646.150.000 e残差23499522.67530783317.423总计2048063058.68634a. 因变量：粮食总产量（y万吨）b. 预测变量：（常量），施用化肥量 （kg/公顷）C.预测变量：（常量），施用化肥量(kg/公顷),风灾面积比例(%)d.预测变量：（常量），施用化肥量(kg/公顷),风灾面积比例(%),年份e.预测变量：（常量），施用化肥量(kg/公顷),风灾面积比例(%),年份，总播种面积（万公顷）系数模型非标准化系数标准系数t显著性B标准错误贝塔1（常量）17930.148504.30835.554.000施用化肥量（kg/公顷）179.2879.092.96019.720.0002（常量）20462.336720.31728.407.000施用化肥量（kg/公顷）193.7018.1061.23.897.000风灾面积比例（％）-327.22276.643-.185-4.269.0003（常量）-460006.110231.478-4.173.000施用化肥量（kg/公顷）137.66714.399.7379.561.000风灾面积比例（％）-293.43961.803-.166-4.748.000年份244.92056.190.3234.359.0004（常量）-512023.30768673.579-7.456.000施用化肥量（kg/公顷）.9448.925.74915.680.000风灾面积比例（％）-302.32438.305-.171-7.893.000年份253.11534.827.3347.268.000总播种面积（万公顷）2.451.344.1417.126.000a.因变量：粮食总产量（y万吨）结论：如上4个表所示，影响程度中大到小依次是：施用化肥量 （kg/公顷）,风灾面积比例（%）,年份，总播种面积（万公顷）。

排除农业劳动者人数（百万人）和粮食播种面积（万公顷） 对粮食总产量的影响）剔除农业劳动者人数（百万人）和粮食播种面积（万公顷）后：步骤：分析 回归 线性 将粮食总产量导入因变量、 其余4个变量（施用化肥量（kg/公顷）, 风灾面积比例（％）,年份，总播种面积（万公顷））导入自变量 方法项选“输入” 确定 如 下图：系数模型非标准化系数标准系数t显著性B标准错误贝塔1（常量）-512023.30768673.579-7.456.000年份253.11534.827.3347.268.000总播种面积（万公顷）2.451.344.1417.126.000施用化肥量（kg/公顷）.9448.925.74915.680.000风灾面积比例（％）-302.32438.305-.171-7.893.000a.因变量：粮食总产量（y万吨）粮食总产量回归方程：Y=-7.893X1+15.68X2+7.126X3+7.268X4-7.4566、一家产品销售公司在 30个地区设有销售分公司为研究产品销售量 （y）与该公司的销售价格（x1 ）、各地区的年人均收入（x2）、广告费用（x3）之间的关系，搜集到 30个地区的有 关数据。

进行多元线性回归分析所得的部分分析结果如下：Model Sum of SquaresDfMean SquareFSig.Regressi on4008924.78.88341E-13ResidualTotal13458586.729Un sta ndardized Codfficie ntstSig.BStd.Error(Con sta nt)7589.10252445.02133.10390.00457X1-117.886131.8974-3.69580.00103X280.61071。