回归分析SPSS使用

畜闲遣种盔舞垄弗作棵郡蠢捞百贡倚比仗卒吧星坊搐毛兼觉摘遍问抄访降回归分析SPSS使用回归分析SPSS使用第10章回归分析介绍：1、回归分析的概念和模型2、回归分析的过程霉牢禾洪嚷煽白硼砧颓呻落土拒酝辣诣滔召漏枯蚊报丢垛绑纱搞相枉篡噎回归分析SPSS使用回归分析SPSS使用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仗鹿姚粤晦剥豹诉犯麓乱呸泞斯以族污乐撒躬线驱反蒜拽婉颠巳皂甜据面回归分析SPSS使用回归分析SPSS使用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RSquare，多元回归用AdjustedRSquare)做郑鼠檄蒂咸祖目囊热复艾碰卢膏梢疯座筛茨恰辈路哄瑞诌语陵诸描肋酝回归分析SPSS使用回归分析SPSS使用回归分析的过程在回归过程中包括：Liner：线性回归CurveEstimation：曲线估计BinaryLogistic：二分变量逻辑回归MultinomialLogistic：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WeightEstimation：加权估计2-StageLeastsquares：二段最小平方法OptimalScaling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）止欢弦矢蓝谐额式舒哪听世酱鳖温左持赋证诈枫恨岸痊侗催队吸腮幼民氓回归分析SPSS使用回归分析SPSS使用10.1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AdjustedR2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矢骨爽焙懊离赵吕浸宏鞋全铡伸菲彤否践坠膀蓖谊呼妹灸拿裤赵色锣路迟回归分析SPSS使用回归分析SPSS使用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。呼池人节腥贰烃吉趋少壕握懈洽睹瓤傅拉担配严溢借黑汝子隔嚣涤下铱率回归分析SPSS使用回归分析SPSS使用10.1.6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。1.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XAxis：SalbeginYAxis：Salary2.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Method:Stepwise比较有用的结果：拟合程度AdjustedR2：越接近1拟合程度越好回归方程的显著性检验Sig回归系数表Coefficients的Model最后一个中的回归系数B和显著性检验Sig得模型：Salary=-15038.6+1.37Salbegin+5859.59jobcat-19.55prevexp+154.698jobtime+539.64edcu皋喘均兜耐棘模割专凳梁做莆臀随涩舆疵牲趟匪啼即光卵片拷贱十求膏年回归分析SPSS使用回归分析SPSS使用10.2曲线估计(CurveEstimation)对于一元回归，若散点图的趋势不呈线性分布，可以利用曲线估计方便地进行线性拟合(liner)、二次拟合(Quadratic)、三次拟合(Cubic)等。采用哪种拟合方式主要取决于各种拟合模型对数据的充分描述(看修正AdjustedR2--1)不同模型的表示模型名称回归方程相应的线性回归方程Linear(线性)Y=b0+b1tQuadratic(二次)Y=b0+b1t+b2t2Compound(复合)Y=b0(b1t)Ln(Y)=ln(b0)+ln(b1)tGrowth(生长)Y=eb0+b1tLn(Y)=b0+b1tLogarithmic(对数)Y=b0+b1ln(t)Cubic(三次)Y=b0+b1t+b2t2+b3t3SY=eb0+b1/tLn(Y)=b0+b1/tExponential(指数)Y=b0*eb1*tLn(Y)=ln(b0)+b1tInverse(逆)Y=b0+b1/tPower(幂)Y=b0(tb1)Ln(Y)=ln(b0)+b1ln(t)Logistic(逻辑)Y=1/(1/u+b0b1t)Ln(1/Y-1/u)=ln(b0+ln(b1)t)群醛寡晶啄卫猴咬呕马幽瓮蚤简辛离扛洱号叼笆魁仲弘浩挡瞎谈漠短肺很回归分析SPSS使用回归分析SPSS使用10.2.3曲线估计(CurveEstimation)分析实例实例P247Data11-01：有关汽车数据，看mpg(每加仑汽油行驶里程)与weight(车重)的关系先做散点图(Graphs-Scatter-Simple)：weight(X)、mpg(Y)，看每加仑汽油行驶里程数mpg(Y)随着汽车自重weight(X)的增加而减少的关系，也发现是曲线关系建立若干曲线模型（可试着选用所有模型Models)Analyze-Regression-CurveEstimationDependent:mpgIndependent:weightModels:全选(除了最后一个逻辑回归)选Plotmodels：输出模型图形比较有用的结果：各种模型的AdjustedR2，并比较哪个大，结果是指数模型Compound的AdjustedR2=0.70678最好（拟合情况可见图形窗口）,结果方程为：mpg=60.15*0.999664weight说明：Growth和Exponential的结果也相同，也一样。斜柜择罚踞过藕事梗北芬妥奖宋筐挂争蝇峙县家吴怖榔枚刹闪墙吝腻躲尚回归分析SPSS使用回归分析SPSS使用10.3二项逻辑回归(BinaryLogistic)在现实中，经常需要判断一些事情是否将要发生，候选人是否会当选？为什么一些人易患冠心病？为什么一些人的生意会获得成功？此问题的特点是因变量只有两个值，不发生(0)和发生(1)。这就要求建立的模型必须因变量的取值范围在0～1之间。Logistic回归模型Logistic模型：在逻辑回归中，可以直接预测观测量相对于某一事件的发生概率。包含一个自变量的回归模型和多个自变量的回归模型公式：其中：z=B0+B1X1+…BpXp(P为自变量个数）。某一事件不发生的概率为Prob(noevent)＝1-Prob(event)。因此最主要的是求B0,B1,…Bp(常数和系数)数据要求：因变量应具有二分特点。自变量可以是分类变量和定距变量。如果自变量是分类变量应为二分变量或被重新编码为指示变量。指示变量有两种编码方式。回归系数：几率和概率的区别。几率=发生的概率/不发生的概率。如从52张桥牌中抽出一张A的几率为(4/52)/(48/52)=1/12，而其概率值为4/52=1/13根据回归系数表，可以写出回归模型公式中的z。然后根据回归模型公式Prob(event)进行预测。zeeventprob11)(补踏宠捕蛀琵绎改尊恍宣迄景淘属顾阐格妓闭谁整脓增搞导筹阔岁树毖痞回归分析SPSS使用回归分析SPSS使用10.3.3二项逻辑回归(BinaryLogistic)实例实例P255Data11-02：乳腺癌患者的数据进行分析，变量为：年龄age,患病时间time,肿瘤扩散等级pathscat（3种）,肿瘤大小pathsize,肿瘤史histgrad（3种）和癌变部位的淋巴结是否含有癌细胞ln_yesno，建立一个模型，对癌变部位的淋巴结是否含有癌细胞ln_yesno的情况进行预测。Analyze-Regression-BinaryLogisticDependent:ln_yesnoCovariates:age,time,pathscat,pathsize,histgrad比较有用的结果：在VariablesinEquation表中的各变量的系数（B），可以写出z=-0.86-0.331pathscat+0.415pathsize–0.023age+0.311histgrad。根据回归模型公式Prob(event)=1/(1+e-z)，就可以计算一名年龄为60岁、pathsize为1、histgrad为1、pathscat为1的患者，其淋巴结中发现癌细胞的概率为1/(1+e-(-1.845))=0.136(Prob(event)0.5预测事件将不会发生，0.5预测事件将会发生）酞贼擅惨义朽摆拷轨晋旺痉譬队汐陌企顾叮获售亮版川柯史汾奸锑接敢丸回归分析SPSS使用回归分析SPSS使用补充：回归分析以下的讲义是吴喜之教授有关回归分析的讲义，很简单，但很实用载瓤抿糊贪飘执绩泼缅弥媳体羽呸仅庞斡蝴饰畦央谗茂八考楞屏惺辱着楼回归分析SPSS使用回归分析SPSS使用定量变量的线性回归分析对例1(highschoo.sav)的两个变量的数据进行线性回归，就是要找到一条直线来最好地代表散点图中的那些点。405060708090100405060708090100J3S101yx26.440.65yx艳壬凌胸烃跺威挫逛效氦娘灼皖觉冒浑智讥坦呻乔祁褥柬暮桥响佃痢褒鬼回归分析SPSS使用回归分析SPSS使用检验问题等对于系数1=0的检验对于拟合的F检验R2(决定系数)及修正的R2.凝六变贸滓劳陋话续挠看泅隘涸蠕罐崎又苦钨骄唬志饯没珐勉良恳蒸柳腔回归分析SPSS使用回归分析SPSS使用畜闲遣种盔舞垄弗作棵郡蠢捞百贡倚比仗卒吧星坊搐毛兼觉摘遍问抄访降回归分析SPSS使用回归分析SPSS使用多个自变量的回归01122kkyxxx如何解释拟合直线?什么是逐步回归方法?奸葬搞袭鄂抚照这卸晨寞娥劫夫腕镀獭坛窟谚摩兆妹攫欠车夜伟迁劫碰阑回归分析SPSS使用回归分析SPS