互联网用户群体分析_百度文库
赠送免券下载特权
10W篇文档免费专享
部分付费文档8折起
每天抽奖多种福利
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
互联网用户群体分析
阅读已结束，下载本文需要
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，同时保存到云知识，更方便管理
加入VIP
还剩10页未读，
定制HR最喜欢的简历
你可能喜欢当前位置： >>
第八章 SPSS的相关分析和回归分析
第八章 SPSS的相关分析和回归 分析概述(一)相关关系 (1)函数关系:(如:销售额与销售量;圆面积和圆半径.) 是事物间的一种一一对应的确定性关系.即:当 一个变量x取一定值时,另一变量y可以依确定的 关系取一个确定的值(2)统计关系:(如:收入和消费;身高的遗传.) 事物间的关系不是确定性的.即:当一个变量x取 一定值时,另一变量y的取值可能有几个.一个变 量的值不能由另一个变量唯一确定概述统计关系的常见类型：C 线性相关：正线性相关、负线性相关 C 非线性相关统计关系不象函数关系那样直接,但却普 遍存在,且有强有弱.如何测度?概述(二) 相关分析和回归分析的任务 ? 研究对象:统计关系 ? 相关分析旨在测度变量间线性关系的强弱程 度. ? 回归分析侧重考察变量之间的数量变化规律, 并通过一定的数学表达式来描述这种关系,进 而确定一个或几个变量的变化对另一个变量 的影响程度.相关分析(一)目的 通过样本数据,研究两变量间线性相关程 度的强弱.(例如:职工的年龄和收入之间的关系、工人数和管理人员之间的数量关系）(二)基本方法 绘制散点图、计算相关系数绘制散点图(一)散点图 将数据以点的形式绘制在直角平面上.比较直观, 可以用来发现变量间的关系和可能的趋势.60?体现了正相关 趋势5040性 别女 职 工龄 年30 800 900 男 职 工基 本 工 资绘制散点图(二)基本操作步骤 (1)菜单选项:graphs-&scatter (2)选择散点图类型:C simple:简单散点图(显示一对变量的散点图) C overlay:重叠散点图(显示多对变量的散点图)(3)选择x轴和y轴的变量 (4)选择分组变量(set markers by):分别以不同颜 色点的表示 (5)选择标记变量(label case by): 散点图上可带有 标记变量的值(如:职工号)绘制散点图?(三)应用举例 ?通过27家企业普通员工 人数和管理人员数,利用 散点图分析人数之间的关 系 ?散点图在进行相 关分析时较为粗略导 理 数 领 (管 )人3002001000 200 400 600 800 00 Rsq = 0.7762普 通 职 工 数计算相关系数(一)相关系数(1)作用: C 以精确的相关系数(r)体现两个变量间的线性 关系程度. C r:[-1,+1]; r=1:完全正相关; r=-1:完全负相关; r=0:无线性相关; |r|&0.8:强相关; |r|&0.3:弱相 关计算相关系数(一)相关系数 (2)说明:C 相关系数只是较好地度量了两变量间的线性 相关程度,不能描述非线性关系.如:x和y的取值为:(-1,-1) (-1,1) (1,-1) (1,1)r=0 但 xi2+yi2=2C 数据中存在极端值时不好如:(1,1)(2,2)(3,3),(4,4),(5,5),(6,1) r=0.33 但总体上表现出: x=y 应结合散点图分析计算相关系数(一)相关系数 (3)种类: ? 简单线性相关系数(Pearson):针对定距数据.(如:身高和体重)r??( X1?1ni? X )(Yi ? Y )n?( Xi ?1n2 2 ? X ) ( Y ? Y ) ? i i i ?1计算相关系数(一)相关系数 (3)种类:?Di ?1 n 2 i? ? (U i ? Vi ) R ? 1 ?2 i ?1nn(n 2 ? 1)6? Di2? Spearman相关系数:用来度量定序或定类变量间的线性 相关关系(如:不同年龄段与不同收入段,职称和受教育年份)C 利用秩(数据的排序次序).认为:如果x与y相关,则相应的秩Ui、Vi 也具有同步性. C 首先得到两变量中各数据的秩( Ui、Vi),并计算Di2统计量. C 计算Spearman秩相关系数,与简单相关系数形式完全相同. C 若两变量存在强正相关性,则Di2应较小,秩序相关系数较大.若两变 量存在强负相关性,则Di2应较大,秩序相关系数为负,绝对值较大计算相关系数(一)相关系数 (3)种类:? Kendall相关系数:度量定序定类变量间的线性相关关系C 首先计算一致对数目(U)和非一致对数目(V) 如: 对x和y求秩后为: x: 2 4 3 5 1 y: 3 4 1 5 2 x的秩按自然顺序排序后: x: 1 2 3 4 5 y: 2 3 1 4 5 2 一致对:(2,3) (2,4)(2,5)(3,4)(3,5)(1,4)(1,5)(4,5) T ? (U ? V ) ? 非一致对:(2,1)(3,1) n(n ? 1) C 然后计算Kendall相关系数. C 若两变量存在强相关性,则V较小,秩序相关系数较大;若两变量存在强负 关性,则V较大,秩序相关系数为负,绝对值较大计算相关系数(二)相关系数检验 ? 应对两变量来自的总体是否相关进行统计 推断.C 原因:抽样的随机性、样本容量小等(1)H0:两总体零相关 (2)构造统计量?简 单 相 关 系 数 ?Spearman系 数,大样本 下, 近似正态分布Z ? R n ?1t ?rn?2 1 ? r2?kendall系数, 3T n(n ? 1) 大样本 下,近 Z ? 2(2n ? 5) 似正态分布计算相关系数(二)相关系数检验 (3)计算统计量的值,并得到对应的相伴概率p (4)结论:C 如果p&=a,则拒绝H0,两总体存在线性相关; C 如果p&a,不能拒绝H0.计算相关系数(三)基本操作步骤(1)菜单选项:analyze-&correlate-&bivariate... (2)选择计算相关系数的变量到variables框. (3)选择相关系数(correlation coefficients). (4)显著性检验(test of significance) C tow-tailed:输出双尾概率P. C one-tailed:输出单尾概率P计算相关系数(四)其他选项 statistics选项:仅当计算简单相关系数时,选择输出哪 些统计量.C means and standard deviations:均值、标准差; C cross-product deviations and covariances:分别输出两 变量的离差平方和(sum of square 分母)、两变量的差 积和(cross-products分子)、协方差(covariance 以上各 个数据除以n-1)计算相关系数(五)应用举例 ? 通过27家企业普通员工人数和管理人员数,利 用相关系数分析人数之间的关系C *表示t检验值发生的概率小于等于0.05,即总体无相 关的可能性小于0.05; C **表示t检验值发生的概率小于等于0.01,即总体无相 关的可能性小于0.01; C **比*，拒绝零假设更可靠.计算相关系数(五)应用举例 ? 根据若干对双胞胎心理学课程若干次考试的总 分,分析双胞胎的成绩是否相关.C 利用秩,通过计算spearman和kendall相关系数进行 分析C 自动编码生成秩数据后,再计算相关系数,结论相同偏相关分析(一)偏相关系数 (1)含义： 在控制了其他变量的影响下计算两变量的相关系数。C 虚假相关.如:小学1~6年级全体学生进行速算比赛（身高 和、分数间的相关受年龄的影响） C 研究商品的需求量和价格、消费者收入之间的关系.因为: 需求量和价格之间的相关关系包含了消费者收入对商品需 求量的影响；收入对价格也产生影响，并通过价格变动传 递到对商品需求量的影响中。 C 又如：粮食产量与平均气温、月降水量、平均日照时间、 温度之间的关系的研究。偏相关分析?(一)偏相关系数 ?(2)计算方法：ry1.2 ?ry1 ? ry 2 r12 (1 ? r )(1 ? r )2 y2 2 12偏相关分析(二)基本操作步骤(1).菜单选项:analyze-&correlate-&partial…(2).选择将参加计算的变量到variable框.(3).选择控制变量到controlling for 框。(4)option选项:C zero-order correlations:输出简单相关系数矩阵回归分析概述(一)回归分析理解(1)“回归”的含义C galton研究研究父亲身高和儿子身高的关系时的独特发现.(2)回归线的获得方式一:局部平均C 回归曲线上的点给出了相应于每一个x(父亲)值的y(儿子)平均数的估 计(3)回归线的获得方式二:拟和函数C 使数据拟和于某条曲线; C 通过若干参数描述该曲线; C 利用已知数据在一定的统计准则下找出参数的估计值(得到回归曲线 的近似);回归分析概述(二)回归分析的基本步骤 (1)确定自变量和因变量(父亲身高关于儿子身高的回归与儿子身高关于父亲身高的回归是不同的).(2)从样本数据出发确定变量之间的数学关系式,并对 回归方程的各个参数进行估计. (3)对回归方程进行各种统计检验. (4)利用回归方程进行预测.线性回归分析概述(三)参数估计的准则C 目标:回归线上的预测值与观察值之间的距离总和达到 最小 C 最小二乘法(利用最小二乘法拟和的回归直线与样本数 据点在垂直方向上的偏离程度最低)一元线性回归分析例:已知若干个父亲和他们成年儿子的身高,通过父亲的身高预测其成 年儿子的平均身高(利用相关分析和回归分析)(一)一元回归方程:C y=β0+β1x C β0为常数项；β1为y对x回归系数，即:x每变动一个单位所引起 的y的平均变动(二)一元回归分析的步骤 C 利用样本数据建立回归方程 C 回归方程的拟和优度检验 C 回归方程的显著性检验(t检验和F检验) C 残差分析 C 预测一元线性回归方程的检验(一)拟和优度检验:(1)目的:检验样本观察点聚集在回归直线周围的密集程度， 评价回归方程对样本数据点的拟和程度。?(2)思路:?因为: 因变量取值的变化受两个因素 的影响 ?自变量不同取值的影响 ?其他因素的影响 ?如:儿子身高(y)的变化受:父亲身 高(x)的影响、其他条件 ?于是: 因变量总变差=自变量引起的+ 其他因素引起的 ?即: 因变量总变差=回归方程可解释 的+不可解释的 ?可证明:因变量总离差平方和=回归平 方和+剩余平方和300200导 理 数 领 (管 )人 (y)1000 200 400 600 800 00 Rsq = 0.7762普 通 职 工 数 (x)一元线性回归方程的检验(一)拟和优度检验:(3)统计量：判定系数R2 ? ? ?( yn?( yi ?1i ?1 ni? y)2?1? ? y)2?( y ?( yi ?1 i ?1 nni? )2 ?y ? y)2iiC R2=SSR/SST=1-SSE/SST. C R2体现了回归方程所能解释的因变量变差的比例;1-R2则体现 了因变量总变差中，回归方程所无法解释的比例。 C R2越接近于1，则说明回归平方和占了因变量总变差平方和的 绝大部分比例，因变量的变差主要由自变量的不同取值造成， 回归方程对样本数据点拟合得好 C 在一元回归中R2=r2; 因此，从这个意义上讲，判定系数能够比 较好地反映回归直线对样本数据的代表程度和线性相关性。一元线性回归方程的检验(二)回归方程的显著性检验：F检验(1)目的:检验自变量与因变量之间的线性关系是否显著,是否可用 线性模型来表示. ?i ? y )2 / k (y ? (2)H0: β =0 即:回归系数与0无显著差异 F? ? i )2 /(n ? k ? 1) ( yi ? y ? (3)利用F检验,构造F统计量:C F=平均的回归平方和/平均的剩余平方和~F(1,n-1-1) C 如果F值较大，则说明自变量造成的因变量的线性变动远大于随机因素 对因变量的影响,自变量于因变量之间的线性关系较显著 (4)计算F统计量的值和相伴概率p (5)判断 C p&=a:拒绝H0,即:回归系数与0有显著差异，自变量与因变量之间存在显 著的线性关系。反之，不能拒绝H0一元线性回归方程的检验(三)回归系数的显著性检验:t检验 (1)目的:检验自变量对因变量的线性影响是否显著. (2)H0:β=0 即:回归系数与0无显著差异 (3)利用t检验,构造t统计量： ?i S ti ? S? ? S ?i ?(x ? x )2 y i i i2C 其中:Sy是回归方程标准误差(Standard Error)的估计值，由均方 误差开方后得到，反映了回归方程无法解释样本数据点的程度或 偏离样本数据点的程度 C 如果回归系数的标准误差较小，必然得到一个相对较大的t值， 表明该自变量x解释因变量线性变化的能力较强。(4)计算t统计量的值和相伴概率p (5)判断一元线性回归方程的检验(四)t检验与F检验的关系 C 一元回归中,F检验与t检验一致,即: F=t2,两种 检验可以相互替代 (六)F统计量和R2值的关系R2 / k F? (1 ? R2 ) /(n ? k ? 1)C 如果回归方程的拟合优度高，F统计量就越 显著。F统计量越显著，回归方程的拟合优 度就会越高。一元线性回归分析操作(一)基本操作步骤 (1)菜单选项: Analyze-&regression-&linear… (2)选择一个变量为因变量进入dependent框 (3)选择一个变量为自变量进入independent框 (4)enter:所选变量全部进入回归方程(默认方法) (5)对样本进行筛选(selection variable)C 利用满足一定条件的样本数据进行回归分析(6)指定作图时各数据点的标志变量(case labels)一元线性回归分析操作(二) statistics选项 (1)基本统计量输出 C Estimates:默认.显示回归系数相关统计量. C confidence intervals:每个非标准化的回归系数95%的置信区 间. C Descriptive:各变量均值、标准差和相关系数单侧检验概率. C Model fit:默认.判定系数、估计标准误差、方差分析表、容忍 度 (2)Residual框中的残差分析 C Durbin-waston:D-W值 C casewise diagnostic:异常值(奇异值)检测 (输出预测值及残差 和标准化残差)一元线性回归分析操作(三)plot选项:图形分析. ? Standardize residual plots:绘制残差序列直方图和累计概率 图,检测残差的正态性 ? 绘制指定序列的散点图,检测残差的随机性、异方差性 C ZPRED:标准化预测值 C ZRESID:标准化残差 C SRESID:学生化残差 C produce all partial plot:绘制因变量和所有自变量之间的散 点图线性回归方程的残差分析(一)残差序列的正态性检验:C 绘制标准化残差的直方图或累计概率图(二)残差序列的随机性检验C 绘制残差和预测值的散点图,应随机分布在经过零的一条直 线上下线性回归方程的残差分析? (三)残差序列独立性检验: C 残差序列是否存在后期值与前期值相关的现象,利用D.W(DurbinWatson)检验 C d-w=0:残差序列存在完全正自相关;d-w=4:残差序列存在完全负自相 关;0&d-w&2:残差序列存在某种程度的正自相关;2&d-w&4:残差序列存在 某种程度的负自相关;d-w=2:残差序列不存在自相关. C 残差序列不存在自相关,可以认为回归方程基本概括了因变量的变化;否 则,认为可能一些与因变量相关的因素没有引入回归方程或回归模型不 合适或滞后性周期性的影响.线性回归方程的残差分析(四)异常值(casewise或outliers)诊断C 利用标准化残差不仅可以知道观察值比预测值大或小, 并且还知道在绝对值上它比大多数残差是大还是小.一 般标准化残差的绝对值大于3,则可认为对应的样本点为 奇异值C 异常值并不总表现出上述特征.当剔除某观察值后，回归方程的标准差显著减小,也可以判定该观察值为异常 值线性回归方程的预测(一)点估计y0(二)区间估计95%的近似置信区间: y0-2Sy,y0+2Sy?x0为xi的均值时,预测区间 最小,精度最高.x0越远离 均值,预测区间越大,精度 越低.300200导 理 数 领 (管 )人 (y)1000 200 400 600 800 00 普 通 职 工 数 (x)多元线性回归分析(一)多元线性回归方程 多元回归方程: y= β0 +β1x1+β2x2+...+βkxkC β1、β2、βk为偏回归系数。 C β1表示在其他自变量保持不变的情况下，自变量x1 变动一个单位所引起的因变量y的平均变动(二)多元线性回归分析的主要问题C 回归方程的检验 C 自变量筛选 C 多重共线性问题多元线性回归方程的检验(一)拟和优度检验:(1)判定系数R2:C R是y和xi的复相关系数(或观察值与预测值的相关系数),测定了 因变量y与所有自变量全体之间线性相关程度n ? 1 SSE R ? 1? n ? k ? 1 SST2R2 ? 1?均方误差 因变量的样本方差(2)调整的R2:C 考虑的是平均的剩余平方和,克服了因自变量增加而造成R2也 增大的弱点 C 在某个自变量引入回归方程后，如果该自变量是理想的且对 因变量变差的解释说明是有意义的，那么必然使得均方误差 减少，从而使调整的R2得到提高；反之，如果某个自变量对 因变量的解释说明没有意义，那么引入它不会造成均方误差 减少，从而调整的R2也不会提高。多元线性回归方程的检验(二)回归方程的显著性检验： (1)目的:检验所有自变量与因变量之间的线性关系是否显著，是否 可用线性模型来表示. (2)H0: β1 = β2 =…= βk =0 即:所有回归系数同时与0无显著差异 ?i ? y )2 / k (3)利用F检验,构造F统计量: ?( yF?C F=平均的回归平方和/平均的剩余平方和~F(k,n-k-1) C 如果F值较大，则说明自变量造成的因变量的线性变动大于随机因素对 因变量的影响,自变量于因变量之间的线性关系较显著 (4)计算F统计量的值和相伴概率p (5)判断 C p&=a:拒绝H0,即:所有回归系数与0有显著差异，自变量与因变量之间存 在显著的线性关系。反之，不能拒绝H0?( y2 ? ? y ) /(n ? k ? 1) i i多元线性回归方程的检验(三)回归系数的显著性检验 (1)目的:检验每个自变量对因变量的线性影响是否显著. (2)H0:βi=0 即:第i个回归系数与0无显著差异 (3)利用t检验,构造t统计量： ?i S ti ? S? ? S ?i ?(x ? x )2 y i 2 i iC 其中:Sy是回归方程标准误差(Standard Error)的估计值，由均方 误差开方后得到，反映了回归方程无法解释样本数据点的程度或 偏离样本数据点的程度 C 如果某个回归系数的标准误差较小，必然得到一个相对较大的t 值，表明该自变量xi解释因变量线性变化的能力较强。(4)逐个计算t统计量的值和相伴概率p (5)判断多元线性回归方程的检验(四)t统计量与F统计量C 一元回归中,F检验与t检验一致,即: F=t2,可以相互替 代 C 在多元回归中，F检验与t检验不能相互替代FchangeC Fchange =ti2 C 从Fchange 角度上讲，如果由于某个自变量xi的引入， 使得Fchange是显著的(通过观察Fchange 的相伴概率 值)，那么就可以认为该自变量对方程的贡献是显著 的，它应保留在回归方程中，起到与回归系数t检验 同等的作用。2 Rch (n ? k ? 1) ? 1 ? R22 Rch ? R2 ? Ri2多元线性回归分析中的自变量筛选(一)自变量筛选的目的 ? 多元回归分析引入多个自变量. 如果引入的自变量个数较少,则 不能很好的说明因变量的变化; ? 并非自变量引入越多越好.原因: C 有些自变量可能对因变量的解释没有贡献 C 自变量间可能存在较强的线性关系,即:多重共线性. 因而不能 全部引入回归方程.多元线性回归分析中的自变量筛选(二)自变量向前筛选法(forward): ? 即:自变量不断进入回归方程的过程. ? 首先,选择与因变量具有最高相关系数的自变量进入方程, 并进行各种检验; ? 其次,在剩余的自变量中寻找偏相关系数最高的变量进入 回归方程,并进行检验;C 默认:回归系数检验的概率值小于PIN(0.05)才可以进入方程.? 反复上述步骤,直到没有可进入方程的自变量为止.多元线性回归分析中的自变量筛选(三)自变量向后筛选法(backward): ? 即:自变量不断剔除出回归方程的过程. ? 首先,将所有自变量全部引入回归方程； ? 其次,在一个或多个t值不显著的自变量中将t值最小的那个 变量剔除出去,并重新拟和方程和进行检验; C 默认:回归系数检验值大于POUT(0.10),则剔除出方程 ? 如果新方程中所有变量的回归系数t值都是显著的,则变量 筛选过程结束. ? 否则,重复上述过程,直到无变量可剔除为止.多元线性回归分析中的自变量筛选(四)自变量逐步筛选法(stepwise): ? 即:是“向前法”和“向后法”的结合。 ? 向前法只对进入方程的变量的回归系数进行显著性检 验，而对已经进入方程的其他变量的回归系数不再进 行显著性检验，即：变量一旦进入方程就不回被剔除 ? 随着变量的逐个引进，由于变量之间存在着一定程度 的相关性，使得已经进入方程的变量其回归系数不再 显著，因此会造成最后的回归方程可能包含不显著的 变量。 ? 逐步筛选法则在变量的每一个阶段都考虑的剔除一个 变量的可能性。多元线性回归分析操作(一)基本操作步骤 (1)菜单选项: analyze-&regression-&linear… (2)选择一个变量为因变量进入dependent框 (3)选择一个或多个变量为自变量进入independent 框 (4)选择多元回归分析的自变量筛选方法:C enter:所选变量全部进入回归方程(默认方法) C remove:从回归方程中剔除变量 C stepwise:逐步筛选；backward:向后筛选；forward:向前 筛选(5)对样本进行筛选(selection variable)C 利用满足一定条件的样本数据进行回归分析(6)指定作图时各数据点的标志变量(case labels)多元线性回归分析操作(二) statistics选项 (1)基本统计量输出 C Part and partial correlation:与Y的简单相关、偏相 关和部分相关 C R square change:每个自变量进入方程后R2及F值 的变化量 C Collinearity dignostics:共线性诊断.多元线性回归分析操作(三)options选项: ? stepping method criteria:逐步筛选法参数设置. C use probability of F:以F值相伴概率作为变量进入和剔除方程的标准.一个变量的F值显著性水平小于entry(0.05)则进入方程;大于removal(0.1)则剔除出方程.因此:Entry&removal C use F value:以F值作为变量进入(3.84)和剔除(2.71)方程的标 准 (四)save选项: 将回归分析结果保存到数据编辑窗口中或某磁盘文件中线性回归分析中的共线性检测(一)共线性带来的主要问题C 高度的多重共线会使回归系数的标准差随自变量相关性的增 大而不断增大,以至使回归系数的置信区间不断增大,造成估计 值精度减低.(二)共线性诊断 ? 自变量的容忍度(tolerance)和方差膨胀因子C 容忍度:Toli=1-Ri2. 其中: Ri2是自变量xi与方程中其他自变量间 的复相关系数的平方. C 容忍度越大则与方程中其他自变量的共线性越低,应进入方程. (具有太小容忍度的变量不应进入方程,spss会给出警)(T&0.1一 般认为具有多重共线性) C 方差膨胀因子(VIF):容忍度的倒数 C SPSS在回归方程建立过程中不断计算待进入方程自变量的容 忍度,并显示目前的最小容忍度线性回归分析中的共线性检测(二)共线性诊断 ? 用特征根刻画自变量的方差C 如果自变量间确实存在较强的相关关系，那么它们之间必然 存在信息重叠，于是可从这些自变量中提取出既能反映自变 量信息(方差)又相互独立的因素(成分)来. C 从自变量的相关系数矩阵出发，计算相关系数矩阵的特征根， 得到相应的若干成分. C 如果某个特征根既能够刻画某个自变量方差的较大部分比例 (如大于0.7),同时又可以刻画另一个自变量方差的较大部分比 例，则表明这两个自变量间存在较强的多重共线性。? 条件指标C 0&k&10 无多重共线性; 10&=k&=100 较强; k&=100 严重k ? i?m ?i线性回归分析中的异方差问题(一)什么是差异方差 C 回归模型要求残差序列服从均值为0并具有相同方 差的正态分布,即:残差分布幅度不应随自变量或因 变量的变化而变化.否则认为出现了异方差现象 (二)举例理解异方差 ? 收入水平和消费种类 ? 打字时间和出错类型线性回归分析中的异方差问题(三)差异方差诊断 C 可以通过绘制标准化残差序列和因变量预测值(或每个 自变量)的散点图来识别是否存在异方差(四)异方差处理 C 实施方差稳定性变换 ? 残差与yi(预测值)的平方根呈正比：对yi开平方 ? 残差与yi(预测值)呈正比:对yi取对数. ? 残差与yi(预测值)的平方呈正比,则1/yi线性回归分析中的异方差问题(四)异方差处理 C 利用加权最小二乘法来代替普通最小二乘法估计回归 模型参数. C 一般:wi=1/δi2 wi=1/xim C 实现方式:WSL按钮,指定加权变量(同SPSS的weight estimation权重估计)曲线估计(curve estimate)(一)目的: 在一元回归分析或时间序列中,因变量与自变量(时 间)之间的关系不呈线性关系,但通过适当处理,可以 转化为线性模型.可进行曲线估计. (二)曲线估计的常用模型: ? y=b0+b1t (线性拟和linear) ? y=b0+b1t+b2t2 (二次曲线quadratic) ? y=b0+b1t+b2t2+b3t3 (三次曲线cubic) t为时间,也可为某一自变量.曲线估计(curve estimate)(三)基本操作步骤 (1)绘制散点图,观察并确定模型. (2)菜单选项: analyze-&regression-&curve estimation (3) 选择因变量到dependent框 (4) 选择自变量到independent框或选time以时间作自变 量 (5)选择模型 (R2最高拟和效果最好)曲线估计(curve estimate)(四)其他选项 (1)display ANOVA table:方差分析表 (2)plot models:绘制观察值和预测值的对比图. (3)save选项:C C C C predicted values:保存预测值. Residual:保存残差值. prediction interval:保存预测值的默认95%的可置信区间. Predict case:以time作自变量进行预测. ? Predict from estimation period through last case:计算保存所有预测 值. ? Predict through :如果预测周期超过了数据文件的最后一个观测期,选 择此项,并输入预测期数.
更多搜索：
All rights reserved Powered by
文档资料库内容来自网络，如有侵犯请联系客服。参考文献：
上篇论文： 下篇论文：
400-888-7501【图文】第八章 SPSS的相关分析和回归分析_百度文库
赠送免券下载特权
10W篇文档免费专享
部分付费文档8折起
每天抽奖多种福利
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
第八章 SPSS的相关分析和回归分析
阅读已结束，下载本文到电脑
登录百度文库，专享文档复制特权，积分每天免费拿！
你可能喜欢