文档介绍：SPSS的线性回归分析PPT模板课件
第九章
SPSS的回归分析
文档附赠有可编辑的3D小人素材
第九章 线性回归分析
回归分析概述
线性回归分析和模型
回归方程的统计检验
多的说明因变量的变化;
:
有些自变量可能对因变量的解释没有贡献
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.
(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;
默认:回归系数检验的概率值小于a()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.
(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;
默认:回归系数检验值大于a(),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.
(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会被剔除
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剔除一个变量的可能性。
多重共线性是指解释变量之间存在线性相关关系的现象。测度多重共线性一般有以下方式：
1、容忍度：
其中， 是第i个解释变量与方程中其他解释变量间的复相关系数的平方，表示解释变量之间的线性相关程度。容忍度的取值范围在0-1之间，越接近0表示多重共线性越强，越接近1表示多重共线性越弱。
2、方差膨胀因子VIF。方差膨胀因子是容忍度的倒数。VIF越大多重共线性越强，当VIF大于等于10时，说明存在严重的多重共线性。
多重共线性分析
3、特征根和方差比。根据解释变量的相关系数矩阵求得的特征根中，如果最大的特征根远远大于其他特征根，则说明这些解释变量间具有相当多的重复信息。如果某个特征根既能够刻画某解释变量方差的较大部分比例（），又能刻画另一解释变量方差的较大部分比例，则表明这两个解释变量间存在较强的线性相关关系。
4、条件指数。指最大特征根与第i个特征根比的平方根。通常，当条件指数在0-10之间时说明多重共线性较弱；当条件指数在10-100之间说明多重共线性较强；当条件指数大于100时说明存在严重的多重共线性。
多重共线性分析
线性回归分析的基本操作
（1）选择菜单Analyze－Regression－Linear，出现窗口：
（2）选择被解释变量进入Dependent框。
（3）选择一个或多个解释变量进入Independent(s)框。
（4）在Method框中选择回归分析中解释变量的筛选策略。其中Enter表示所选变量强行进入回归方程，是SPSS默认的策略，通常用在一元线性回归分析中；Remove表示从回归方程中剔除所选变量；Stepwise表示逐步筛选策略；Backward表示向后筛选策略；Forward表示向前筛选策略。
（5）第三和第四步中确定的解释变量及变量筛选策略可放置在不同的块（Block）中。通常在回归分析中不止一组待进入方程的解释变量和相应的筛选策略，可以单击Next和Previous按钮设置多组解释变量和变量筛选策略并放置在不同的块中。
（6）选择一个变量作为条件变量放到Selection Variable框中，并单击Rule按钮给定一个判断条件。只有变量值满足判定条件的样本才参与线性回归分析。
（7）在Case Labels框中指定哪个变量作为样本数据点的标志变量，该变量的值将标在回归分析的输出图形中。
线性回归分析的其他操作
1、Statistics按钮，出现的窗口可供用户选择更多的输出统计量。
（1）Estimates：SPSS默认输出项，输出与回归系数相关的统计量。包括回归系数（偏回归系数）、回归系数标准误差、标准化回归系数、回归系数显著性检验的t统计量和概率p值，各解释变量的容忍度。
（2）Confidence Intervals：输出每个非标准化回归系数95％的置信区间。
（3）D