spss一元回归分析详细操作与结果分析
Case1：降水&纬度
Case1数据说明：
?53个台站的年降水量、年蒸发量、纬度和海拔数据
?在本例中，把降水量P作为因变量，纬度作为自变量Case1目的：
?分析降水量和纬度之间的数量关系
Case1操作要点：
?做散点图，查看两因素之间是否线性相关
?如果线性相关，接着做线性回归分析，揭示其数量关系?对回归方程做显著性检验
打开spss的数据编辑器，编辑变量视图
注意：因为我们的数据中“台站名”最多是5个汉字，所以字符串宽度最小为10才能全部显示。
编辑数据视图，将excel数据复制粘贴到spss中
?从菜单上依次点选：图形—旧对话框—散点/点状?定义简单分布，设置Y为年降水量，X为纬度
?由散点图发现，降水量与纬度之间线性相关
给散点图添加趋势线的方法：
?双击输出结果中的散点图
?在“图表编辑器”的菜单中依次点击“元素”—“总计拟合线”，由此“属性”中加载了“拟合线”
?拟合方法选择“线性”，置信区间可以选95%个体，应用
step3：线性回归分析
?从菜单上依次点选：分析—回归—线性
?设置：因变量为“年降水量”，自变量为“纬度”
?“方法”：选择默认的“进入”，即自变量一次全部进入的方法。
?“统计量”：
?勾选“模型拟合度”，在结果中会输出“模型汇总”表
?勾选“估计”，则会输出“系数”表
?“绘制”：在这一项设置中也可以做散点图
?“保存”：
?注意：在保存中被选中的项目，都将在数据编辑窗口显示。
?在本例中我们勾选95%的置信区间单值，未标准化残差
?“选项”：只需要在选择方法为逐步回归后，才需要打开
【统计量】按钮
?“回归系数”复选框组：定义回归系数的输出情况
?勾选“估计”可输出回归系数B及其标准误差，t值和p值
?勾选“误差条图的表征”则输出每个回归系数的95%可信区间
?勾选“协方差矩阵”则会输出各个自变量的相关矩阵和方差、协方差矩阵。
?“残差”复选框组：
?用于选择输出残差诊断的信息，可选的有Durbin-Watson残差序列相关性检验、个案诊断。
?“模型拟合度”复选框：
?模型拟合过程中进入、退出的变量的列表，以及一些有关拟合优度的检验：R，R2和调整的R2, 标准误及方差分析表。
?“R方变化”复选框：
?显示模型拟合过程中R2、F值和p值的改变情况。
?“描述性”复选框：
?提供一些变量描述，如有效例数、均数、标准差等，同时还给出一个自变量间的相关矩阵。
?“部分相关和偏相关性”复选框：
?显示自变量间的相关、部分相关和偏相关系数。
?“共线性诊断”复选框：
?给出一些用于共线性诊断的统计量，如特征根（Eigenvalues）、方差膨胀因子(VIF)等。
?用于选择需要绘制的回归分析诊断或预测图。
?可绘制的有标准化残差的直方图和正态分布图，应变量、预测值和各自变量残差间两两的散点图等。
【保存】按钮
?许多时候我们需要将回归分析的结果存储起来，然后用得到的残差、
预测值等做进一步的分析，保存按钮就是用来存储中间结果的。
?可以存储的有：预测值系列、残差系列、距离（Distances）系列、预测值可信区间系列、波动统计量系列。下方的按钮可以让我们选择将这些
新变量存储到一个新的SPSS数据文件或XML中。
?注意：选项按钮只需要在选择方法为逐步回归后，才需要打开
?“步进方法标准”单选钮组：设置纳入和排除标准，可按P值或F 值来设置。
?“在等式中包含常量”复选框：用于决定是否在模型中包括常数项，默认选中。
?“缺失值”单选钮组：用于选择对缺失值的处理方式，可以是不分析任一选入的变量有缺失值的记录（按列表排除个案）而无论该缺失变量最终是否进入模型；不分析具体进入某变量时有缺失值的记录（按对排除个案）；将缺失值用该变量的均数代替（使用均值替代）。
【输入/移去的变量】
?此表是拟合过程中变量输入/移去模型的情况记录，由于我们只引入了一个自变量，所以只出现了一个模型1（在多元回归中就会依次出现多个回归模型），该模型中“纬度”为进入的变量，没有移出的变量，具体的
输入/移去方法为“输入”。
?【模型汇总】
此表为所拟合模型的情况汇总，显示在模型1中：
?相关系数R=0.904
?拟合优度R方=0.816
?调整后的拟合优度=0.813
?标准估计的误差=92.98256
?R方（拟合优度）：是回归分析的决定系数，说明自变量和因变量形
成的散点与回归曲线的接近程度，数值介于0和1之间，这个数值越大说明回归的越好，也就是散点越集中于回归线上。
【Anova】（analysisofvariance方差分析）
?此表是所用模型的检验结果，一个标准的方差分析表。
?Sig.（significant ）值是回归关系的显著性系数，sig.是F值的实际显著性概率即P值。当sig. <= 0.05的时候，说明回归关系具有统计学意义。
如果sig. > 0.05，说明二者之间用当前模型进行回归没有统计学意义，
应该换一个模型来进行回归。
?由表可见所用的回归模型F统计量值=226.725 ，P值为0.000，因此我们用的这个回归模型是有统计学意义的，可以继续看下面系数分别检验
的结果。
?由于这里我们所用的回归模型只有一个自变量，因此模型的检验就等价与系数的检验，在多元回归中这两者是不同的。
?【系数】
?此表给出了包括常数项在内的所有系数的检验结果，用的是t检验，同时还会给出标化/未标化系数。可见常数项和“纬度”都是有统
计学意义的。
?由此得到年降水量与纬度之间的一元回归方程为：
?Y=-82.188X+3395.584
Case2数据说明：
?伦敦12个月的平均气温、降雨量数据
?在本例中，把降雨量作为因变量，平均气温作为自变量Case2目的：
?分析平均气温和降雨量之间的数量关系
Case2习题要求：
?做散点图，查看两因素之间是否线性相关
?如果线性相关，接着做线性回归分析，揭示其数量关系?对回归方程做显著性检验，写出结论
?给这个例子的目的是，看大家是否真的理解做散点图的意
义
?当散点图都不呈现线性关系，那有多少同学接着就做了一
元线性回归？根本就没有在脑子里思考一下它究竟是不是一元线性关系。
?希望大家在以后的软件学习中，要问自己做每一步操作的
意义何在，不要机械的不思考的动手
?Case3：大家用case1的数据，分析一下年蒸发量与纬度
的关系。
企业管理 对居民消费率影响因素的探究 ---以湖北省为例 改革开放以来,我国经济始终保持着高速增长的趋势,三十多年间综合国力得到显著增强,但我国居民消费率一直偏低,甚至一直有下降的趋势。居民消费率的偏低必然会导致我国内需的不足,进而会影响我国经济的长期健康发展。 本模型以湖北省1995年-2010年数据为例，探究各因素对居民消费率的影响及多元关系。（注：计算我国居民的消费率,用居民的人均消费除以人均GDP,得到居民的消费率）。通常来说，影响居民消费率的因素是多方面的，如:居民总 收入，人均GDP，人口结构状况1（儿童抚养系数，老年抚养系数），居民消费价格指数增长率等因素。 1.人口年龄结构一种比较精准的描述是：儿童抚养系数(0-14岁人口与 15-64岁人口的比值)、老年抚养系数(65岁及以上人口与15-64岁人口的比值〉或总抚养系数(儿童和老年抚养系数之和)。0-14岁人口比例与65岁及以上人口比例可由《湖北省统计年鉴》查得。
一、计量经济模型分析 (一)、数据搜集 根据以上分析，本模型在影响居民消费率因素中引入6个解释变量。X1:居民总收入（亿元），X2：人口增长率(‰），X3：居民消费价格指数增长率，X4：少儿抚养系数，X5：老年抚养系数，X6：居民消费占收入比重（%）。 Y：消费率(%)X1:总收入 （亿元） X2：人口增 长率(‰） X3：居民消 费价格指 数增长率 X4：少儿抚 养系数 X5：老年抚 养系数 X6：居民消 费比重（%） 1995 1997 200039 2001 2002 2003 2004 2005 2006 2007 2008 2009
SPSＳ统计分析 多元线性回归分析方法操作与分析 实验目得： 引入1998~2０08年上海市城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率与房屋空置率作为变量，来研究上海房价得变动因素。 实验变量: 以年份、商品房平均售价(元／平方米)、上海市城市人口密度(人/平方公里)、城市居民人均可支配收入(元)、五年以上平均年贷款利率(%)与房屋空置率（％)作为变量。 实验方法：多元线性回归分析法 软件:spsｓ１9、0 操作过程: 第一步:导入Ｅxceｌ数据文件 1.open daｔａｄoｃumenｔ——ｏpeｎ datａ——ｏpen; 2、Ｏpening exｃel dａta ｓourcｅ——ＯＫ、
第二步: 1、在最上面菜单里面选中Ａnalyze——Ｒegｒesｓｉｏn——Ｌiｎear ，Ｄｅpenｄenｔ(因变量)选择商品房平均售价,Indepｅｎdeｎts（自变量)选择城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率、房屋空置率；Methoｄ选择Sｔｅpｗｉse、 进入如下界面: 2、点击右侧Staｔiｓｔｉcs，勾选ReｇressiｏｎCｏｅｆｆiｃｉｅｎts（回归系数)选项组中得Esｔiｍates；勾选Ｒeｓｉｄuaｌs(残差)选项组中得Durｂiｎ-Watson、Casewise diagnoｓtｉｃｓ默认;接着选择Ｍｏdel fit、Collinｅａritｙdiａgｎｏticｓ;点击Conｔiｎuｅ、
3、点击右侧Pｌoｔs,选择*ZPRED(标准化预测值)作为纵轴变量，选择DEPENDＮT(因变量)作为横轴变量;勾选选项组中得Standarｄiｚed Resi ｄｕal Ｐlots(标准化残差图)中得Hiｓｔｏgrａm、Normal probabｉlity ploｔ;点击Ｃｏntinue、 4、点击右侧Savｅ,勾选Ｐｒｅdiｃted Vanｉueｓ（预测值)与Reｓｉｄu ａｌs（残差)选项组中得Ｕｎsｔａnｄarｄized;点击Cｏntinue、
相关分析与回归分析 一、试验目标与要求 本试验项目的目的是学习并使用SPSS软件进行相关分析和回归分析，具体包括： (1)皮尔逊pearson简单相关系数的计算与分析 (2)学会在SPSS上实现一元及多元回归模型的计算与检验。 (3)学会回归模型的散点图与样本方程图形。 (4)学会对所计算结果进行统计分析说明。 (5)要求试验前，了解回归分析的如下内容。 参数α、β的估计 回归模型的检验方法：回归系数β的显着性检验（t－检验）；回归方程显着性 检验（F－检验）。 二、试验原理 1．相关分析的统计学原理 相关分析使用某个指标来表明现象之间相互依存关系的密切程度。用来测度简单线性相关关系的系数是Pearson简单相关系数。 2．回归分析的统计学原理 相关关系不等于因果关系，要明确因果关系必须借助于回归分析。回归分析是研究两个变量或多个变量之间因果关系的统计方法。其基本思想是，在相关分析的基础上，对具有相关关系的两个或多个变量之间数量变化的一般关系进行测定，确立一个合适的数据模型，以便从一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估计参数，建立回归模型，对参数和模型进行检验和判断，并进行预测等。 线性回归数学模型如下： 在模型中，回归系数是未知的，可以在已有样本的基础上，使用最小二乘法对回归系数进行估计，得到如下的样本回归函数： 回归模型中的参数估计出来之后，还必须对其进行检验。如果通过检验发现模型有缺陷，则必须回到模型的设定阶段或参数估计阶段，重新选择被解释变量和解释变量及其函数形式，或者对数据进行加工整理之后再次估计参数。回归模型的检验包括一级检验和二级检验。一级检验又叫统计学检验，它是利用统计学的抽样理论来检验样本回归方程的可靠性，具体又可以分为拟和优度评价和显着性检验；二级检验又称为经济计量学检验，它是对线性回归模型的假定条件能否得到满足进行检验，具体包括序列相关检验、异方差检验等。 三、试验演示内容与步骤 1．连续变量简单相关系数的计算与分析
SPSS 统计分析 多元线性回归分析方法操作与分析 实验目的： 引入1998~2008年上海市城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率和房屋空置率作为变量，来研究上海房价的变动因素。 实验变量： 以年份、商品房平均售价（元/平方米）、上海市城市人口密度(人/平方公里)、城市居民人均可支配收入(元)、五年以上平均年贷款利率(%)和房屋空置率(%)作为变量。 实验方法：多元线性回归分析法 软件：spss19.0 操作过程： 第一步：导入Excel数据文件 1.open data document——open data——open； 2. Opening excel data source——OK.
第二步： 1.在最上面菜单里面选中Analyze——Regression——Linear ，Dependent（因变量）选择商品房平均售价，Independents（自变量）选择城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率、房屋空置率；Method 选择Stepwise. 进入如下界面： 2.点击右侧Statistics，勾选Regression Coefficients（回归系数）选项组中的Estimates；勾选Residuals（残差）选项组中的Durbin-Watson、Casewise diagnostics默认；接着选择Model fit、Collinearity diagnotics；点击Continue.
3.点击右侧Plots，选择*ZPRED（标准化预测值）作为纵轴变量，选择DEPENDNT（因变量）作为横轴变量；勾选选项组中的Standardized Residual Plots（标准化残差图）中的Histogram、Normal probability plot；点击Continue. 4.点击右侧Save，勾选Predicted Vaniues（预测值）和Residuals（残差）选项组中的Unstandardized；点击Continue.
相关分析与回归分析S P S S实现 文档编制序号：[KKIDT-LLE0828-LLETD298-POI08]
相关分析与回归分析 一、试验目标与要求 本试验项目的目的是学习并使用SPSS软件进行相关分析和回归分析，具体包括： (1)皮尔逊pearson简单相关系数的计算与分析 (2)学会在SPSS上实现一元及多元回归模型的计算与检验。 (3)学会回归模型的散点图与样本方程图形。 (4)学会对所计算结果进行统计分析说明。 (5)要求试验前，了解回归分析的如下内容。 ?参数α、β的估计 ?回归模型的检验方法：回归系数β的显着性检验（t－检验）；回归方程显着性检验（F－检验）。 二、试验原理 1．相关分析的统计学原理 相关分析使用某个指标来表明现象之间相互依存关系的密切程度。用来测度简单线性相关关系的系数是Pearson简单相关系数。 2．回归分析的统计学原理 相关关系不等于因果关系，要明确因果关系必须借助于回归分析。回归分析是研究两个变量或多个变量之间因果关系的统计方法。其基本思想是，在相关分析的基础上，对具有相关关系的两个或多个变量之间数量变化的一般关系进行测定，确立一个合适的数据模型，以便从一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估计参数，建立回归模型，对参数和模型进行检验和判断，并进行预测等。 线性回归数学模型如下： 在模型中，回归系数是未知的，可以在已有样本的基础上，使用最小二乘法对回归系数进行估计，得到如下的样本回归函数： 回归模型中的参数估计出来之后，还必须对其进行检验。如果通过检验发现模型有缺陷，则必须回到模型的设定阶段或参数估计阶段，重新选择被解释变量和解释变量及其函数形式，或者对数据进行加工整理之后再次估计参数。回归模型的检验包括一级检验和二级检验。一级检验又叫统计学检验，它是利用统计学的抽样理论来检验样本回归方程的可靠性，具体又可以分为拟和优度评价和显着性检验；二级检验又称为经济计量学检验，它是对线性回归模型的假定条件能否得到满足进行检验，具体包括序列相关检
用下面的数据做相关分析和一元线性回归分析： 选用普通高等学校毕业生数和高等学校发表科技论文数量做相关分析和一元线性回归分析。 一、相关分析 1.作散点图 普通高等学校毕业生数和高等学校发表科技论文数量的相关图 从散点图可以看出：普通高等学校毕业生数和高等学校发表科技论文数量的相关性很大。 2.求普通高等学校毕业生数和高等学校发表科技论文数量的相关系数 把要求的两个相关变量移至变量中，因为都是定距数据，选择相关系数中的Pearson，点击确定，可以得到下面的结果： Correlations 普通高等学校毕业生数(万人) 高等学校发表科技论文数量(篇) 普通高等学校毕业生数(万人) Pearson Correlation 1 .998** Sig. (2-tailed) .000 N 14 14 高等学校发表科技论文数量(篇) Pearson Correlation .998** 1 Sig. (2-tailed) .000 N 14 14 **. Correlation is significant at the 0.01 level (2-tailed). 两相关变量的Pearson相关系数=0.0998，表示呈高度正相关；相关系数检验对应的概率P 值=0.000，小于显着性水平0.05，应拒绝原假设（两变量之间不具有相关性），即毕业生人数好发表科技论文数之间的相关性显着。 3.求两变量之间的相关性
选择相关系数中的全部，点击确定： Correlations (万人) (篇) Kendall's tau_b (万人) Correlation Coefficient 1.000 1.000** Sig. (2-tailed) . . N 14 14 (篇) Correlation Coefficient 1.000** 1.000 Sig. (2-tailed) . . N 14 14 Spearman's rho (万人) Correlation Coefficient 1.000 1.000** Sig. (2-tailed) . . N 14 14 (篇) Correlation Coefficient 1.000** 1.000 Sig. (2-tailed) . . N 14 14 **. Correlation is significant at the 0.01 level (2-tailed). 注解：两相关变量（毕业生数和发表论文数）的Kendall相关系数=1.000，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显着。 两相关变量（毕业生数和发表论文数）的Spearman相关系数=1.000，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显着。 4.普通高等学校毕业生数和高等学校发表科技论文数量的相关系数 将所求变量移至变量，将控制变量移至控制中，选中显示实际显着性水平，点击确定： Correlations 普通高等学校毕业生数(万人) 高等学校发表科技论文数量(篇) 普通高等学校毕业生数(万人) Pearson Correlation 1 .998** Sig. (2-tailed) .000 N 14 14
第九章spss的回归分析 1、利用习题二第4题的数据，任意选择两门课程成绩作为解释变量和被解释变量，利用SPSS 提供的绘制散点图功能进行一元线性回归分析。请绘制全部样本以及不同性别下两门课程成绩的散点图，并在图上绘制三条回归直线，其中，第一条针对全体样本，第二和第三条分别针对男生样本和女生样本，并对各回归直线的拟和效果进行评价。 选择fore和phy两门成绩做散点图 步骤：图形→旧对话框→散点图→简单散点图→定义→将phy导入X轴、将fore导入Y 轴，将sex导入设置标记→确定 图标剪辑器内点击元素菜单→选择总计拟合线→选择线性→确定→再次选择元素菜单→点击子组拟合线→选择线性→确定 分析：如上图所示，通过散点图，被解释变量y与fore有一定的线性相关关系。 2、线性回归分析与相关性回归分析的关系是怎样的？ 线性回归分析是相关性回归分析的一种，研究的是一个变量的增加或减少会不会引起另一个变量的增加或者减少。
3、为什么需要对线性回归方程进行统计检验？一般需要对哪些方面进行检验？ 线性回归方程能够较好地反映被解释变量和解释变量之间的统计关系的前提是被解释变量和解释变量之间确实存在显著的线性关系。 回归方程的显著性检验正是要检验被解释变量和解释变量之间的线性关系是否显著，用线性模型来描述他们之间的关系是否恰当。一般包括回归系数的检验，残差分析等。 4、SPSS多元线性回归分析中提供了哪几种解释变量筛选策略？ 包括向前筛选策略、向后筛选策略和逐步筛选策略。 5、先收集到若干年粮食总产量以及播种面积、使用化肥量、农业劳动人数等数据，请利用建立多元线性回归方程，分析影响粮食总产量的主要因素。数据文件名为“粮食总产量.sav”。 步骤：分析→回归→线性→粮食总产量导入因变量、其余变量导入自变量→确定 结果如图： Variables Entered/Removed b Model Variables Entered Variables Removed Method 1 农业劳动者人数(百万人), 总播种面积(万公顷), 风灾 面积比例(%), 粮食播种面 积(万公顷), 施用化肥量 (kg/公顷), 年份a . Enter a. All requested variables entered. b. Dependent Variable: 粮食总产量(y万吨) ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 2.025E9 6 3.375E8 414.944 .000a Residual 2.278E7 28 813478.405 Total 2.048E9 34 a. Predictors: (Constant), 农业劳动者人数(百万人), 总播种面积(万公顷), 风灾面积比例(%), 粮食播种面积(万公顷), 施用化肥量(kg/公顷), 年份 b. Dependent Variable: 粮食总产量(y万吨) Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta
相关分析和一元线性回归分析S P S S报告 Document number：NOCG-YUNOO-BUYTT-UU986-1986UT
用下面的数据做相关分析和一元线性回归分析： 选用普通高等学校毕业生数和高等学校发表科技论文数量做相关分析和一元线性回归分析。 一、相关分析 1.作散点图 普通高等学校毕业生数和高等学校发表科技论文数量的相关图 从散点图可以看出：普通高等学校毕业生数和高等学校发表科技论文数量的相关性很大。 2.求普通高等学校毕业生数和高等学校发表科技论文数量的相关系数 把要求的两个相关变量移至变量中，因为都是定距数据，选择相关系数中的Pearson，点击确定，可以得到下面的结果： Correlations 普通高等学校毕业生数(万人) 高等学校发表科技论文数量(篇) 普通高等学校毕业生数(万人) Pearson Correlation 1 .998** Sig. (2-tailed) .000 N 14 14 高等学校发表科技论文数量(篇) Pearson Correlation .998** 1 Sig. (2-tailed) .000 N 14 14 **. Correlation is significant at the level (2-tailed). 两相关变量的Pearson相关系数=，表示呈高度正相关；相关系数检验对应的概率P值=，小于显着性水平，应拒绝原假设（两变量之间不具有相关性），即毕业生人数好发表科技论文数之间的相关性显着。 3.求两变量之间的相关性 选择相关系数中的全部，点击确定：
Correlations (万人) (篇) Kendall's tau_b (万人) Correlation Coefficient ** Sig. (2-tailed) . . N 14 14 (篇) Correlation Coefficient ** Sig. (2-tailed) . . N 14 14 Spearman's rho (万人) Correlation Coefficient ** Sig. (2-tailed) . . N 14 14 (篇) Correlation Coefficient ** Sig. (2-tailed) . . N 14 14 **. Correlation is significant at the level (2-tailed). 注解：两相关变量（毕业生数和发表论文数）的Kendall相关系数=，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显着。 两相关变量（毕业生数和发表论文数）的Spearman相关系数=，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显着。 4.普通高等学校毕业生数和高等学校发表科技论文数量的相关系数 将所求变量移至变量，将控制变量移至控制中，选中显示实际显着性水平，点击确定： Correlations 普通高等学校毕业生数(万人) 高等学校发表科技论文数量(篇) 普通高等学校毕业生数(万人) Pearson Correlation 1 .998** Sig. (2-tailed) .000 N 14 14 高等学校发表科技论文数量Pearson Correlation .998** 1
相关分析与回归分析 S P S S实现 Document number：NOCG-YUNOO-BUYTT-UU986-1986UT
相关分析与回归分析 一、试验目标与要求 本试验项目的目的是学习并使用SPSS软件进行相关分析和回归分析，具体包括： (1)皮尔逊pearson简单相关系数的计算与分析 (2)学会在SPSS上实现一元及多元回归模型的计算与检验。 (3)学会回归模型的散点图与样本方程图形。 (4)学会对所计算结果进行统计分析说明。 (5)要求试验前，了解回归分析的如下内容。 ?参数α、β的估计 ?回归模型的检验方法：回归系数β的显着性检验（t－检验）；回归方程显着性检验（F－检验）。 二、试验原理 1．相关分析的统计学原理 相关分析使用某个指标来表明现象之间相互依存关系的密切程度。用来测度简单线性相关关系的系数是Pearson简单相关系数。 2．回归分析的统计学原理 相关关系不等于因果关系，要明确因果关系必须借助于回归分析。回归分析是研究两个变量或多个变量之间因果关系的统计方法。其基本思想是，在相关分析的基础上，对具有相关关系的两个或多个变量之间数量变化的一般关系进行测定，确立一个合适的数据模型，以便从一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估计参数，建立回归模型，对参数和模型进行检验和判断，并进行预测等。 线性回归数学模型如下： 在模型中，回归系数是未知的，可以在已有样本的基础上，使用最小二乘法对回归系数进行估计，得到如下的样本回归函数： 回归模型中的参数估计出来之后，还必须对其进行检验。如果通过检验发现模型有缺陷，则必须回到模型的设定阶段或参数估计阶段，重新选择被解释变量和解释变量及其函数形式，或者对数据进行加工整理之后再次估计参数。回归模型的检验包括一级检验和二级检验。一级检验又叫统计学检验，它是利用统计学的抽样理论来检验样本回归方程的可靠性，具体又可以分为拟和优度评价和显着性检验；二级检验又称为经济计量学检验，它是对线性回归模型的假定条件能否得到满足进行检验，具体包括序列相关检验、异方差检验等。 三、试验演示内容与步骤
线性回归分析的SPSS操作 本节内容主要介绍如何确定并建立线性回归方程。包括只有一个自变量的一元线性回归和和含有多个自变量的多元线性回归。为了确保所建立的回归方程符合线性标准，在进行回归分析之前，我们往往需要对因变量与自变量进行线性检验。也就是类似于相关分析一章中讲过的借助于散点图对变量间的关系进行粗略的线性检验，这里不再重复。另外，通过散点图还可以发现数据中的奇异值，对散点图中表示的可能的奇异值需要认真检查这一数据的合理性。 一、一元线性回归分析 1．数据 以本章第三节例3的数据为例，简单介绍利用SPSS如何进行一元线性回归分析。数据编辑窗口显示数据输入格式如下图7-8（文件7-6-1.sav）： 图7-8：回归分析数据输入 2．用SPSS进行回归分析，实例操作如下： 2.1.回归方程的建立与检验 （1）操作 ①单击主菜单Analyze / Regression / Linear…，进入设置对话框如图7-9所示。从左边变量表列中把因变量y选入到因变量（Dependent）框中，把自变量x选入到自变量（Independent）框中。在方法即Method一项上请注意保持系统默认的选项Enter，选择该项表示要求系统在建立回归方程时把所选中的全部自变量都保留在方程中。所以该方法可命名为强制进入法（在多元回归分析中再具体介绍这一选项的应用）。具体如下图所示：
图7-9 线性回归分析主对话框 ②请单击Statistics…按钮，可以选择需要输出的一些统计量。如Regression Coefficients(回归系数)中的Estimates，可以输出回归系数及相关统计量，包括回归系数B、标准误、标准化回归系数BETA、T值及显著性水平等。Model fit项可输出相关系数R，测定系数R2，调整系数、估计标准误及方差分析表。上述两项为默认选项，请注意保持选中。设置如图7-10所示。设置完成后点击Continue返回主对话框。 图7-10：线性回归分析的Statistics选项图7-11：线性回归分析的Options选项 回归方程建立后，除了需要对方程的显著性进行检验外，还需要检验所建立的方程是否违反回归分析的假定，为此需进行多项残差分析。由于此部分内容较复杂而且理论性较强，所以不在此详细介绍，读者如有兴趣，可参阅有关资料。 ③用户在进行回归分析时，还可以选择是否输出方程常数。单击Options…按钮，打开它的对话框，可以看到中间有一项Include constant in equation可选项。选中该项可输出对常数的检验。在Options对话框中，还可以定义处理缺失值的方法和设置多元逐步回归中变量进入和排除方程的准则，这里我们采用系统的默认设置，如图7-11所示。设置完成后点击Continue返回主对话框。 ④在主对话框点击OK得到程序运行结果。
一、多选项分析 一）问卷中多选项问题的分析 多选项问题的分解通常有2中方法：1、多选项二分法（Multiple Dichotomies Method）； 2、多选项分类法（Multiple Category Method）。 1、多选项二分法（Multiple Dichotomies Method）； 多选项二分法是将多选项问题中的每个答案设为一个SPSS变量，每个变量只有0或1两个取值，分别表示选择个该答案和不选择该答案。 按照多选项二分法可以将居民储蓄调查中村（取）款目的这个多选项问题分解为十一个问题，并设置十一个SPSS变量。 2、多选项分类法（Multiple Category Method） 多选项分类法中，首先应估计多选项问题最多可能出现的答案个数；然后，为每个答案设置一个SPSS变量，变量取值为多选项问题中的可选答案。 按照多选项分类法可将居民储蓄调查中存（取）款目的这个多选项问题分解成三个问题（通常给出的答案数不会超过三个），并设置三个SPSS变量。 以上两种分解方法的选择考虑是否便于分析和是否丢失信息两个方面。 多选项二分法分解问题存在较大的信息丢失，这种方式没有体现选项的顺序，如果问题存在顺序则适合采用分类法。 同时注意自己需要的信息加以选择。 二）多选项分析基本操作 1、多选项分析的基本实现思路
第一、按多选项二分法或多选项分类法将多选项问题分解成若干问题，并设置若干个SPSS变量。 第二、采用多选项频数分析或多选项交叉分组下的频数分析数据。 为了实现第二步，应首先定义多选项选择变量集，即将多选项问题分解并设置成多个变量后，指定这些为一个集合。定义多选项变量集是为了今后多选项频数分析和多选项交叉分组下的频数分析作准备。只有通过定义多选项变量集，SPSS才能确定应对哪些变量取相同值的个案数进行累加。 2、定义多选项选择变量集的基本操作步骤 1）选择菜单Analyze —Multiple Response —Defined Sets，出现如下图所示的窗口。 2）从数值型变量中见进入多选项变量集的变量选择到Variables in Sets框中。 3）在Variables Are Coded AS框中制定多选项变量集中的变量是按照哪种方法分解的。Dichotomies表示以多选项二分法分解，并在Counted Value中输入对那组织进行分析。SPSS 规定等于该值的样本为一组，其余样本为另一组；Categories表示以多选项分类法分解，并在Range框中输入变量取值的最小值和最大值。
软件设计开发 本栏目责任编辑：谢媛媛 １引言 回归分析用来研究多个预报因子对预报量的影响程度，然后建立它们的统计关系的方程式，对未来时刻的预报量做出预报估计，是目前气象业务与研究中最为常用的一种统计分析与预报方法［１－８］。逐步回归可从影响预报量的许多因子中，挑选出一批相关较好的作为预报因子，在气象业务中应用甚广［９－１１］。回归分析在气象业务和研究中应用非常广，但该过程目前基本上都是编程来实现，编程复杂、易出错，基层气象工作者较难掌握不利于推广应用。 ＳＰＳＳ（ＳｔａｔｉｓｔｉｃａｌＰｒｏｄｕｃｔａｎｄＳｅｒｖｉｃｅＳｏｌｕｔｉｏｎｓ）意 为统计产品与服务解决方案，统计和数据分析功能强大，界面友好，易学易用，目前是非统计专业人员应用最多的统计软件 ［１２－１３］ 。ＳＰＳＳ提供了多种回归分析过 程，如Ｌｉｎｅａｒ（线性回归）、Ｎｏｎｌｉｎｅａｒ（非线性回归）、 ＣｕｒｖｅＥｓｔｉｍａｔｉｏｎ（曲线拟合）、ＢｉｎａｒｙＬｏｇｉｓｔｉｃ（二分类， 即事件概率回归）等。本文简要介绍如何使用统计软件ＳＰＳＳ进行线性回归分析，为便于与传统编程方式对比，分析实例采用目前气象常用统计教科书中介绍“逐步回归分析”一节中的经典案例，逐步回归分析的原理和编程实现过程可参考文献［１－２］。 ２线性逐步回归分析过程 首先根据表１建立数据文件，其中ｙ为预报量， ｘ１、ｘ２、ｘ３和ｘ４为预报因子。 表１预报因子与预报量资料表 在ＳＰＳＳ菜单栏上选择Ａｎａｌｙｚｅ→Ｒｅｇｒｅｓｓｉｏｎ→ Ｌｉｎｅａｒ（图１左），则出现ＬｉｎｅａｒＲｅｇｒｅｓｓｉｏｎ（线性回归 分析）主对话框（图１右）。将“ｙ”选入Ｄｅｐｅｎｄｅｎｔ（因变量）框中，“ｘ１”、“ｘ２”、“ｘ３”和“ｘ４” 选入Ｉｎｄｅｐｅｎｄｅｎｔ（自变量）框中，Ｍｅｔｈｏｄ框选择Ｓｔｅｐｗｉｓｅ（逐步回归）；Ｓａｖｅ子对话框中选择ＰｒｅｄｉｃｔｅｄＶａｌｕｅｓ下的Ｕｎｓｔａｎｄａｒｄｉｚｅｄ（将预报量的估计值另存为新变量），Ｏｐｔｉｏｎｓ子对话框选择ＵｓｅＦＶａｌｕｅ；其余默认，点ＯＫ，则得线性逐步 回归分析结果。 图１线性回归分析过程（左为Ｒｅｇｒｅｓｓｉｏｎ菜单；右为 ＬｉｎｅａｒＲｅｇｒｅｓｓｉｏｎ主对话框） 收稿日期：２００７－１２－１７ 作者简介：罗凤明，男，工程师，主要从事网络维护，业务开发及服务工作。 如何使用统计软件ＳＰＳＳ进行回归分析 罗凤明，邱劲飚，李明华，肖炳坤（惠州市气象局，广东惠州５１６００１） 摘要：简要介绍如何使用统计软件ＳＰＳＳ进行线性回归分析，并给出了逐步回归分析实例。使用ＳＰＳＳ进行回归分析操作简单且全面，与编程相比大大减小了难度、节约了时间。 关键词：计算机应用；ＳＰＳＳ；回归分析；逐步回归中图分类号：ＴＰ３１２ 文献标识码：Ａ 文章编号：１００９－３０４４（２００８）０２－１０２９３－０２ ＨｏｗｔｏｄｏＲｅｇｒｅｓｓｉｏｎＡｎａｌｙｓｉｓｂｙＳｔａｔｉｓｔｉｃａｌＳｏｆｔｗａｒｅＳＰＳＳ ＬＵＯＦｅｎｇ－ｍｉｎｇ，ＱＩＵＪｉｎ－ｂｉａｏ，ＬＩＭｉｎｇ－ｈｕａ，ＸＩＡＯＢｉｎ－ｋｕｎ（ＨｕｉｚｈｏｕＭｅｔｅｏｒｏｌｏｇｉｃａｌＳｔａｔｉｏｎ，Ｈｕｉｚｈｏｕ５１６００１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：ＩｎｔｒｏｄｕｃｅｄｉｎｂｒｉｅｆｈｏｗｔｏｄｏｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓｂｙｓｔａｔｉｓｔｉｃａｌｓｏｆｔｗａｒｅＳＰＳＳ，ａｎｄｇａｖｅａｎｅｘ－ａｍｐｌｅｏｆｓｔｅｐｗｉｓｅｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓ．ＩｔｉｓｓｉｍｐｌｙａｎｄｒｏｕｎｄｌｙｔｏｄｏｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓｂｙＳＰＳＳ，ａｎｄｉｓｅａｓｉｅｒａｎｄｔｉｍｅｓａｖｉｎｇｃｏｍｐａｒｅｄｗｉｔｈｐｒｏｇｒａｍｍｅ． Ｋｅｙｗｏｒｄｓ：ｃｏｍｐｕｔｅｒａｐｌｌｉｃａｔｉｏｎ；ＳＰＳＳ；ｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓ；ｓｔｅｐｗｉｓｅ ｒｅｇｒｅｓｓｉｏｎ
SPSS实现一元线性回归分析实例 2009-12-14 15:31 1、准备原始数据。为研究某一大都市报开设周日版的可行性，获得了34种报纸的平日和周日的发行量信息(以千为单位)。数据如图1所示。 SPSS17.0 图1 2、判断是否存在线性关系。制作直观散点图： （1）SPSS：菜单Analyze/Regression/linear Regression,如图2所示：
图2 （2）打开对话框如图3 图3
图3中，Dependent是因变量，Independent是自变量，分别将左栏中的sunday选入因变量，daily选入自变量，newspaper作为标识标签选入case labels. (3)点击图3对话框中的plots按钮，如图4所示： 图4 将因变量DEPENTENT 选入Y:，自变量 ZPRED 选入X: continue 返回上级对话框。单击主对话框OK.便生成散点图如图5所示：
图5 从以上散点图可看出，二者变量之间关系趋势呈线性关系。 2、回归方程 菜单Analyze/Regression/linear Regression， 在图3对话框的右边单击statistics如图6所示：
图6 regression coefficient回归系数，estimates估计值，confidence intervals level:95%置信区间，model fit拟合模型。点击continue返回主对话框，单击OK.结果如图7、图8所示： 图7 图7中第一个图是变量的输入与输出，从图下的提示可知所有变量均输入与输出，没有遗漏。图7中的第二图是模型总和R值，R平方值，R调整后的平方值，及标准误。
实验六用SPSS进行非线性回归分析 例：通过对比12个同类企业的月产量(万台)与单位成本(元)的资料(如图1)，试配合适当的回归模型分析月产量与单位成本之间的关系
图1原始数据和散点图分析 一、散点图分析和初始模型选择 在SPSS数据窗口中输入数据，然后插入散点图(选择Graphs→Scatter命令)，由散点图可以看出，该数据配合线性模型、指数模型、对数模型和幂函数模型都比较合适。进一步进行曲线估计：从Statistic下选Regression菜单中的Curve Estimation命令；选因变量单位成本到Dependent框中，自变量月产量到Independent框中，在Models框中选择Linear、Logarithmic、Power和Exponential四个复选框，确定后输出分析结果，见表1。 分析各模型的R平方，选择指数模型较好，其初始模型为 但考虑到在线性变换过程可能会使原模型失去残差平方和最小的意义，因此进一步对原模型进行优化。 模型汇总和参数估计值 因变量: 单位成本 方程模型汇总参数估计值 R 方 F df1 df2 Sig. 常数b1 线性.912 104.179 1 10 .000 158.497 -1.727 对数.943 166.595 1 10 .000 282.350 -54.059 幂.931 134.617 1 10 .000 619.149 -.556 指数.955 212.313 1 10 .000 176.571 -.018 自变量为月产量。 表1曲线估计输出结果
二、非线性模型的优化 SPSS提供了非线性回归分析工具，可以对非线性模型进行优化，使其残差平方和达到最小。从Statistic下选Regression菜单中的Nonlinear命令；按Paramaters按钮，输入参数A：176.57和B：-.0183；选单位成本到Dependent框中，在模型表达式框中输入“A*EXP(B*月产量)”，确定。SPSS输出结果见表2。 由输出结果可以看出，经过6次模型迭代过程，残差平方和已有了较大改善，缩小为568.97，误差率小于0.00000001， 优化后的模型为： 迭代历史记录b 迭代数a残差平方和参数 A B 1.0 104710.523 176.570 -.183 1.1 5.346E+133 -3455.813 2.243 1.2 30684076640.87 3 476.032 .087 1.3 9731 2.724 215.183 -.160 2.0 97312.724 215.183 -.160 2.1 83887.036 268.159 -.133 3.0 83887.036 268.159 -.133 3.1 59358.745 340.412 -.102 4.0 59358.745 340.412 -.102 4.1 26232.008 38 5.967 -.065 5.0 26232.008 385.967 -.065 5.1 7977.231 261.978 -.038 6.0 797 7.231 261.978 -.038 6.1 1388.850 153.617 -.015 7.0 1388.850 153.617 -.015 7.1 581.073 180.889 -.019 8.0 581.073 180.889 -.019 8.1 568.969 182.341 -.019 9.0 568.969 182.341 -.019 9.1 568.969 182.334 -.019 10.0 568.969 182.334 -.019 10.1 568.969 182.334 -.019 导数是通过数字计算的。 a. 主迭代数在小数左侧显示，次迭代数在小数右侧显示。 b. 由于连续残差平方和之间的相对减少量最多为SSCON = 1.000E-008，因此在 22 模型评估和 10 导数评估之后，系统停止运行。
偏度 偏度（skewness），是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。 表征概率分布密度曲线相对于平均值不对称程度的特征数。直观看来就是密度函数曲线尾部的相对长度。 正偏离（右偏态）、负偏离（左偏态）： 正态分布的偏度为为0，两侧尾部长度对称。若以bs表示偏度。bs<0称分布具有负偏离，也称左偏态，此时数据位于均值左边的比位于右边的少，直观表现为左边的尾部相对于与右边的尾部要长，因为有少数变量值很小，使曲线左侧尾部拖得很长；bs>0称分布具有正偏离，也称右偏态，此时数据位于均值右边的比位于左边的少，直观表现为右边的尾部相对于与左边的尾部要长，因为有少数变量值很大，使曲线右侧尾部拖得很长；而bs接近0则可认为分布是对称的。若知道分布有可能在偏度上偏离正态分布时，可用偏离来检验分布的正态性。右偏时一般算术平均数>中位数>众数，左偏时相反，即众数>中位数>平均数。
计算： 1. 2. 其中： 而，数学期望所以：
举个栗子（见excel表中）：Χ2分布，t分布，F分布Χ2分布： t分布： F分布： 关于p分为点
决定系数(coefficient of determination) 有的教材上翻译为判定系数，也称为拟合优度,决定系数是指在x或y的总变异中，可以相互以直线关系说明的部分所占的比率。即在Y的总平方和中，由X引起的平方和所占的比例，记为R^2(R的平方)。 当R^2越接近1时，表示相关的方程式参考价值越高，越符合回归线。 计算： RSS = （回归平方和）TSS = （总离差平方和）区别：
SPSS-线性回归（举个栗子） 例1. 某分公司连续6年记录了员工的平均工资，数据如下表，试建立线性回归模型。 操作步骤 （1）定义变量：年份定义为x，工资定义为y，点击“变量试图”，定义x,y变量； （2）数据录入：点击“数据视图”，输入x,y对应的数据； （3）线性回归准备：“分析”->“回归”->“线性”，打开“线性回归”的对话框；
用下面的数据做相关分析和一元线性回归分析：选用普通高等学校毕业生数和高等学校发表科技论文数量做相关分析和一元线性回归分析。 一、相关分析 1.作散点图 两相关变量的Pearson相关系数=0.0998，表示呈高度正相关；相关系数检验对应的概率P值=0.000，小于显著性水平0.05，应拒绝原假设（两变量之间不具有相关性），即毕业生人数好发表科技论文数之间的相关性显著。 3.求两变量之间的相关性 选择相关系数中的全部，点击确定：
呈
注解: 两相关变量（普通高校毕业生数和发表论文数）的偏相关系数=0.998，呈正相关；对应的偏相关系数双侧检验p值0，小于显著性水平0.05，应拒绝原假设（两变量之间不具有相关性），即普通高校毕业生数与发表论文数之间相关性显著。 二、一元线性回归 此图是回归方程的拟合优度检验。 注解：上图是回归方程的拟合优度检验。 第二列：两变量（被解释变量和解释变量）的相关系数R=0.998. 第三列：被解释变量（毕业人数）和解释变量（发表科技论文数）的判定系数=0.996是一元线性回归方程拟合优度检验的统计量；判定系数越接近1，说明回归方程对样本数据的拟合优度越高，被解释变量可以被模型解释的部分越多。
第四列：被解释变量（毕业人数）和解释变量（发表科技论文数）的调整判定系数=0.996。这主要适用于多个解释变量的时候。 第二列：常数项估计值=-316.259；回归系数估计值=0.001. 第三列：回归系数的标准误差=0.000 第四列：标准化回归系数=0.998. 第五、六列：回归系数T检验的t统计量值=57.196，对应的概率P 值=0.000，小于显著性水平0.05，拒绝原假设（回归系数与0不存
相关分析与回归分析 、试验目标与要求 本试验项目的目的是学习并使用 SPSS 软件进行相关分析和回归分析， 具体 包括： 皮尔逊pearson 简单相关系数的计算与分析 学会在SPS 上实现一元及多元回归模型的计算与检验。 学会回归模型的散点图与样本方程图形。 学会对所计算结果进行统计分析说明。 要求试验前，了解回归分析的如下内容。 ? 参数a 、P 的估计 豊 回归模型的检验方法：回归系数 P 的显著性检验（t —检验）；回归 方程显 著性检验（F —检验）。 二、试验原理 1. 相关分析的统计学原理 相关分析使用某个指标来表明现象之间相互依存关系的密切程度。 用来测度 简单线性相关关系的系数是Pearson 简单相关系数。 2. 回归分析的统计学原理 相关关系不等于因果关系，要明确因果关系必须借助于回归分析。回归分析 是研究两个变量或多个变量之间因果关系的统计方法。 其基本思想是，在相关分 析的基础上，对具有相关关系的两个或多个变量之间数量变化的一般关系进行测 定，确立一个合适的数据模型，以便从一个已知量推断另一个未知量。回归分析 的主要任务就是根据样本数据估计参数， 建立回归模型，对参数和模型进行检验 和判断，并进行预测等。 线性回归数学模型如下： y i = 00 + 0i X ii + 02X i2 +…中 0k X ik 中引 在模型中，回归系数是未知的，可以在已有样本的基础上，使用最小二乘法 对回归系数进行估计，得到如下的样本回归函数： y i = f?o + f?X ii + ?2X i2 +…+ f?k X ik 回归模型中的参数估计出来之后，还必须对其进行检验。 模型有缺陷，则必须回到模型的设定阶段或参数估计阶段， (1) + e i 如果通过检验发现 重新选择被解释变量