spss多元回归分析案例讲解 (2).ppt

SPSS多元线性回归 模型建立——基于 逐步回归法多元线性回归模型回归：区别相关因变量对解释变量的依赖关系，意 义在于通过已知后者的值去预测前者的均值 线性：用于研究一种特殊的关系，即用直线或多维直 线描述其依赖关系 多元：解释变量大于等于两个 建立一个模型： Y = 0 + 1 X 1 + 2 X 2 + ......... +  i X i 确定一些标准，判断进入的变量，和得出对应的系数 简要回顾一些计量经济学知识vT检验，F检验都是对于系数为0假设检验vT检验针对的假设是某一个系数为0vF检验针对的假设是所有的回归系数均为0.总显著性 检验vSig.值significance即eviews中的p值小于设置的 显著性水平如0.05，则拒绝原假设，统计量显著vR2、调整R2 指标揭示拟合程度随着进入模型的变 量个数增加， R2 不断增大，同时代价是残差自由 度的减少，意味着估计和预测可靠性低 举例说明本例给出的是某企业职员调查的数据共有样 本量474.所给变量共有6个：当前工资、初始 工资、工作种类、过去经验、受雇时间、受 教育程度 准备建立一个以当前工资为因变量，其他变量 为自变量的回归方程。

判断哪些变量进入方程，并且给出对应系数1、选变量v要建立一个模型首先要选择变量，解释变量 和因变量之间要有一定的关系v方法：散点图直接判断相关性和偏相关性系 数v所要判断的变量：初始工资、工作种类、过 去经验、受雇时间、受教育程度散点图检验线性关系v散点图可以很直观地判断是否存性关系 v操作：Graphs-Legacy Dialogs-Scatter/Dot- Simple Scatter结论：当前工资 和初始工资存在 线性关系偏相关系数检验线性关系v各因素之间有相互作用，仅仅看每个自变量 分别和因变量之间觉得相关系数不能反映出 各个变量之间的真实情况v检验偏相关系数，控制其他的变量对两个变 量相关关系的影响v由偏相关系数和对应T值可以判断，这些变量 和因变量的有关，可以建立一个以它们为自 变量的回归模型偏相关系数检验线性关系v操作：Analyze-Correlate-Partial Correlationv选择分析变量：当前工资、受教育程度v选择控制变量：其他变量v结论：T值的显著性水平为0，拒绝当前工资和受教 育程度不相关的假设偏相关系数为0.161.变量和 因变量是相关的v其他分析变量操作同，初步判断得出变量均可进入 模型。

2、选数据v我们建立回归模型是在若干假定前提之下的, 即对数据是有要求的因变量数据的要求v（1）是否满足“残差的方差齐性”要求v 方法：散点图v操作在后面做回归模型建立时一同分析P—P图检验正态性v（2）因变量数据是否满足正态性要求v方法：P—P图所有点聚集在直线上，则说 明该变量的数据分布是服从于所要检测的分 布的P—P图检验正态性v操作：Analyze-Descriptive Statistics-vP-Pplots v检验变量：当前工资v检验分布：正态分布Normalv结论：满足正态性假设要求3、进行回归v介绍回归方法：vEnter：强行进入法所有变量直接全部进入 模型只有一个模型v向前回归：根据自变量对因变量的贡献率， 首先选择一个贡献率最大的自变量进入，一 次只加入一个进入模型然后，再选择另一 个最好的加入模型，直至选择所有符合标准 者全部进入回归 v 向后回归：将自变量一次纳入回归，然后根 据标准删除一个最不显著者，再做一次回归 判断其余变量的取舍，直至保留者都达到要 求 逐步回归Stepwise：是向前回归法和向后回 归法的结合v首先按自变量对因变量的贡献率进行排序， 按照从大到小的顺序选择进入模型的变量。

每将一个变量加入模型，就要对模型中的每 个变量进行检验，剔除不显著的变量，然后 再对留在模型中的变量进行检验直到没有 变量可以纳入，也没有变量可以剔除为止进行回归操作v进行回归操作：Analyze-Regression-Linear 选择自变量和因变量v选择回归方法： Stepwise设置操作Statistics： 系统默认选项：1、Estimates（输出回归系数 ，标准化回归系数，回归系数为0的假设T值 等）2、 Model fit（要引入模型的和 要从模型中剔除的变量， 每一步模型R2 调整 R2 、ANOVA方差分析表设置操作vPlots制图，检查方差齐性，vY:ZRESID(标准化残差）v X:ZPRED（标准化预测值）v残差的方差齐性v分析依据：如果v它的大部分都落v在( - 3, 3) 范围之v内, 就可以认为v它满足这个条件逐步回归中不在方程中变量 一、判断模型中各个要进入变量的系数显著性： 1、注释中是模型已有的变量，表中是排除在回归方 程外变量 2、举例分析第一步：方程中已有的（第一个进入）变量是初始工资，还 有4个未进入模型在这个方程的基础上，如果4个 变量中每一个单独进入这个方程，会形成一个新的 二元解释变量方程，这个二元方程的统计量结果如 表。

通过判断Partial Correlation绝对值来确定哪个 是贡献率最大的，从而这个变量先进入模型 3、第3 列是针对每一个变量前面的系数为零的假设的 t 检验值, 第四列给出了这个检验结果从中可以看 出,sig.值均0.05,不影响其他的系数的显著性水平为0. 000, 它们都<0. 05, 故属于小概率事件, 即拒 绝回归系数为零的假设, 即每个回归方程都有 意义y=-15038.574+1.365X1 +5859.585X2- 19.553X3+154.698X4+539.642X5注释：X1 初始工资、X2工作种类、X3过去经验、X4受 雇时间、X5受教育程度 注意：B( 偏回归系数) , 有一个缺点就是单位数量级不 一致时, 对它的比较毫无意义如：初始工资的单位为1, 而工作种类的单位为1 000 , 显然这时工作种类前面的回归系数可能很小故对它需要进行改进, 这就是Beta 系数把所有 变量都事先进行标准化，消除偏回归系数带来的数 量单位的影响 谢谢观看。