spss简单回归与多重回归分析

9.1450
体 重 指 数 BMI(kg2/4m.920)00
3.0477
病 程 DY（ 年 ） 6.757
4.640
瘦 素 LEP(ng/ml) 10.0730
6.3822
空 腹 血 糖 FPG(mm8o.l/0l)70
2.203
N 30 30 30 30 30
h
53
两两相关（简单相关）
Co rr ela tions
• 4、直线相关和偏相关分析。
h
4
h
5
Linear regression对话框
h
6
Method:自变量筛选下拉菜单
• Enter：强迫引入法；全 部自变量均引入方程
• Stepwise：逐步引入 • Remove：强迫剔除法 • backward：向后剔除法 • Forward：向前引入法
h
7
Y与一个或多个自变量（ independent variable ）
X之间的线性依存关系。
h
1
回归分析的要求
• 1、应变量Y服从正态分布 • 2、自变量X可以是随机变动的，也可以是精
确测量或人为取值的变量
• 线性回归模型的适用条件(line)
• L-线性
• I-独立性
• N-正态性
• E-方差齐性
• graphs→scatter/Dot…→simple scatter
h
45
h
46
h
47
h
48
h
49
h
50
选择enter，（选入全部变量）
h
51
h
52
描述
Descriptive Statistics
Mean S td. Deviation
脂 联 素 ADI(ng/m1l8).8290
第一行：对截距a的检验，有意义。 第二行：对回归系数b的检验，有意义。 回归系数的标准误=4.881，总体回归系数95%可信区间为 （50.788，72.058）。标准化回归系数=0.964，回归系数t检 验的t值为12.584，p<0.001，可认为两变量之间有直线关系，
h
31
残差统计结果：显示预测值、标准预测值等 统计量的最小值、最大值、均数和标准差
h
32
h
33
P-P图
h
34
散点图： Y轴：因变量， x轴：标准化预测值
h
35
散点图： Y轴：标准化残差， X轴：标准化预测值
h
36
Baidu Nhomakorabea
显示增加新变量
h
37
二、非线性回归 例11-6
h
38
h
39
直线方程 对数方程
三次方程
二次方程
h
指数方程
40
h
41
•多重线性回归分析
h
42
• 例13-1（第六版）
• 步骤：
• 通过linear regression过程statistics按钮 中的durbin-watson检验进行判断。
• 该统计量取值在0～4之间。一般若自变量 数少于4个，统计量接近2，基本上可以肯 定残差间相互独立。
h
19
h
20
2、分析 Analyze ----regression --- linear
• analyze→regression→linear
• plot
h
15
方差齐性检 验
正态性检验
h
16
正态性检验结果：QQ图上各点基本在直线上。
h
17
从上图可见，不论Y的标化预测值如何变化h ，标化残差的波动基本保持稳定。 18
• 四、独立性：各观测间相互独立，即任两 个观测残差的协方差为0。
脂联 素
ADI(ng/ml)
Pearson Correlation脂 联 素 ADI(ng/ml)
• 为了研究有关糖尿病患者体内脂联素水平的影 响因素，某医师测定30名患者的体重指数 BMI(kg/m2)、病程LEP（ng/ml）、空腹血糖 FPG(mmol/l)及脂联素水平。
h
43
例13-1：1、定义变量，输入数据
h
44
• 考察线性 • 1、散点图矩阵
graphs→scatter/Dot…→matrix scatter • 2、自变量与残差的散点图
Statistics对话框
独立性检验
h
8
Plots对话框
h
9
Options对话框
h
10
例题11-1操作步骤： 1、定义变量，输入数据
h
11
先检验适用条件
• 一、线性（散点图）： • 1、x与y • 2、x与非标准化残差的散点图（在多重回
归分析中，效率高于散点图矩阵） • 步骤： • graphs→scatter/Dot…→simple scatter
h
12
h
13
非没标 有准明化显残偏差正与或自偏变负量的的趋散势点）图（从上图可见h 各点基本平均分布在0这条水平线的两1边4 ，
• 二、正态性、方差齐性检验 • 1、正态性即残差服从正态分布N（0，σ2） • 2、方差齐性即残差的大小不随所有变量取
值水平的改变而改变（标准化预测值和标 准化残差的散点图） • 3、步骤：
Linear regression对话框
h
21
Statistics对话框
h
22
散点图1：因变量为Y轴 标准化预测值为X轴
h
23
散点图1：因变量为标准化残差 标准化预测值为X轴
h
24
保存以下新变量
h
25
描述性统计：均数、标准差、例数
h
26
相关分析：Pearson相关系数0.964、 单侧检验p值为<0.001
h
2
方差齐、直线关系
模型还有别的变 量需要引入
h
方差不齐 残 差 图
曲线关系
3
• Analyze regression linear(线性回归 分析)可进行以下几个过程
• 1、建立回归方程；
• 2、回归方程的配合适度检验：包括回归方 程和回归系数或偏回归系数的假设检验、 残差分析；
• 3、直线回归的区间估计：包括总体回归系 数的区间估计；当x为某定值时，估计值总 体均数的可信区间和个体Y值的容许区间
简单回归分析
• 回归分析（regression variable）：
•
研究一个变量如何随另一个变量变化的常用
方法。
• 线性回归（linear regression）：又称简单回归 （simple regression）
•
两个连续型变量之间线性依存关系的统计方
法。即描述一个因变量（dependent variable）
h
27
先是自变量纳入模型情况的汇总
h
28
模型的简单汇总,包括R、R2， 调整R2 ，
h
29
方差分析：p<0.001，说明模型有意 义（回归系数有统计学意义）。
：
h
30
t检验结果等（重要） 常数项=1106.788，回归系数=61.423，直线回归方程为
Y ˆ11 .70 9 6 6.4 1X 2