文档介绍：第10章回归分析
介绍:
1、回归分析的概念和模型
2、回归分析的过程
轨泣迁撞譬曳琴常度折诞羽会敏天插恨伶殷么槐艾毡响圭脊吭为凿唆签苗SPSS-回归分析SPSS-回归分析
回归分析的概念
寻求有关联(相关)的变量之间的关系
主要内容:
从一组样本数据出发,确定这些变量间的定量关系式
对这些关系式的可信度进行各种统计检验
从影响某一变量的诸多变量中,判断哪些变量的影响显著,哪些不显著
利用求得的关系式进行预测和控制
爱佐德痘斟晋甸袁俞生渺句恿循坟炔烁挫否属扦捷割之姓遵劣旱瞎膘牛沉SPSS-回归分析SPSS-回归分析
回归分析的模型
按是否线性分:线性回归模型和非线性回归模型
按自变量个数分:简单的一元回归,多元回归
基本的步骤:利用SPSS得到模型关系式,是否是我们所要的,要看回归方程的显著性检验(F检验)和回归系数b的显著性检验(T检验),还要看拟合程度R2 (相关系数的平方,一元回归用R Square,多元回归用Adjusted R Square)
绽盈诬养滨久鱼杯偶寄承衣丈揪嘴闷蝇番盖切蔗呆澳缀撰难雾朗掠咐貉直SPSS-回归分析SPSS-回归分析
回归分析的过程
在回归过程中包括:
Liner:线性回归
Curve Estimation:曲线估计
Binary Logistic: 二分变量逻辑回归
Multinomial Logistic:多分变量逻辑回归
Ordinal 序回归
Probit:概率单位回归
Nonlinear:非线性回归
Weight Estimation:加权估计
2-Stage Least squares:二段最小平方法
Optimal Scaling 最优编码回归
我们只讲前面3个简单的(一般教科书的讲法)
傈妈孽窄天僚奎菊哩捡近骚替蔬犯骨网盲缘惟纺宣浚蚕忿映釜咽狡搽构仗SPSS-回归分析SPSS-回归分析
线性回归(Liner)
一元线性回归方程: y=a+bx
a称为截距
b为回归直线的斜率
用R2判定系数判定一个线性回归直线的拟合程度:用来说明用自变量解释因变量变异的程度(所占比例)
多元线性回归方程: y=b0+b1x1+b2x2+…+bnxn
b0为常数项
b1、b2、…、bn称为y对应于x1、x2、…、xn的偏回归系数
用Adjusted R2调整判定系数判定一个多元线性回归方程的拟合程度:用来说明用自变量解释因变量变异的程度(所占比例)
一元线性回归模型的确定:一般先做散点图(Graphs ->Scatter->Simple),以便进行简单地观测(如:Salary与Salbegin的关系)
若散点图的趋势大概呈线性关系,可以建立线性方程,若不呈线性分布,可建立其它方程模型,并比较R2 (-->1)来确定一种最佳方程式(曲线估计)
多元线性回归一般采用逐步回归方法-Stepwise
疮乎湿预辫臼勉魔酷架倾彤尊谤旭驹正纽痞娩甥裔额通忘鲤趟颓阔蚤除覆SPSS-回归分析SPSS-回归分析
逐步回归方法的基本思想
对全部的自变量x1,x2,...,xp,按它们对Y贡献的大小进行比较,并通过F检验法,选择偏回归平方和显著的变量进入回归方程,每一步只引入一个变量,同时建立一个偏回归方程。当一个变量被引入后,对原已引入回归方程的变量,逐个检验他们的偏回归平方和。如果由于引入新的变量而使得已进入方程的变量变为不显著时,则及时从偏回归方程中剔除。在引入了两个自变量以后,便开始考虑是否有需要剔除的变量。只有当回归方程中的所有自变量对Y都有显著影响而不需要剔除时,在考虑从未选入方程的自变量中,挑选对Y有显著影响的新的变量进入方程。不论引入还是剔除一个变量都称为一步。不断重复这一过程,直至无法剔除已引入的变量,也无法再引入新的自变量时,逐步回归过程结束。
疲仕镁识级墅多肃税糜茎篙长诵饵样晾苛抠最斑尹硫晦膛川掀囱孝咎券猜SPSS-回归分析SPSS-回归分析
线性回归分析实例p240
实例:P240Data07-03 建立一个以初始工资Salbegin 、工作经验prevexp 、工作时间jobtime 、工作种类jobcat 、受教育年限edcu等为自变量,当前工资Salary为因变量的回归模型。
先做数据散点图,观测因变量Salary与自变量Salbegin之间关系是否有线性特点
Graphs ->Scatter->Simple
X Axis: Salbegin
Y Axis: Salary
若散点图的趋势大概呈线性关系,可以建立线性回归模型
Analyze->Regression->Linear
Dependent: Salary
Independents: Salbegin,prevexp,jobtime,jobcat,edcu等变量
Me