多元线性回归spss案例
【篇一：多元线性回归spss案例】
多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些
而已，例如：一元线性回归方程为：
毫无疑问，多元线性回归方程应该为：
上图中的x1, x2, xp分别代表自变量xp截止，代表有p个自变量，如果有 n组样本，那么这个多元线性回归，将会组成一个矩阵，如
下图所示：
那么，多元线性回归方程矩阵形式为：
其中：代表随机误差，其中随机误差分为：可解释的误差和不可
解释的误差，随机误差必须满足以下四个条件，多元线性方程才有
意义（一元线性方程也一样）
1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。2：无偏性假设，即指：期望值为0
3：同共方差性假设，即指，所有的随机误差变量方差都相等
4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协
方差解释。
今天跟大家一起讨论一下，spss---多元线性回归的具体操作过程，
下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。数据如下图所示：
点击分析回归线性进入如下图所示的界面：
将销售量作为因变量拖入因变量框内，将车长，车宽，耗油率，
车净重等10个自变量拖入自变量框内，如上图所示，在方法旁边，选择逐步，当然，你也可以选择其它的方式，如果你选择进入默
认的方式，在分析结果中，将会得到如下图所示的结果：（所有的
自变量，都会强行进入）
如果你选择逐步这个方法，将会得到如下图所示的结果：（将会根
据预先设定的 f统计量的概率值进行筛选，最先进入回归方程的自
变量应该是跟因变量关系最为密切，贡献最大的，如下图可以看出，车的价格和车轴跟因变量关系最为密切，符合判断条件的概率值必
须小于0.05，当概率值大于等于0.1时将会被剔除）
选择变量(e) 框内，我并没有输入数据，如果你需要对某个自变量
进行条件筛选，可以将那个自变量，移入选择变量框内，有一个前
提就是：该变量从未在另一个目标列表中出现！，再点击规则设定
相应的筛选条件即可，如下图所示：
点击统计量弹出如下所示的框，如下所示：
在回归系数下面勾选估计，在右侧勾选模型拟合度和共线性诊断
两个选项，再勾选个案诊断再点击离群值一般默认值为 3 ，（设
定异常值的依据，只有当残差超过3倍标准差的观测才会被当做异
常值）点击继续。
提示：
共线性检验，如果有两个或两个以上的自变量之间存在线性相关关系，就会产生多重共线性现象。这时候，用最小二乘法估计的模型
参数就会不稳定，回归系数的估计值很容易引起误导或者导致错误
的结论。所以，需要勾选共线性诊断来做判断
通过容许度可以计算共线性的存在与否？容许度tol=1-ri平方或方
差膨胀因子（vif): vif=1/1-ri平方，其中ri平方是用其他自变量预测
第i个变量的复相关系数，显然，vif为tol的倒数，tol的值越小，
vif的值越大，自变量xi与其他自变量之间存在共线性的可能性越大。提供三种处理方法：
1：从有共线性问题的变量里删除不重要的变量
2：增加样本量或重新抽取样本。
3：采用其他方法拟合模型，如领回归法，逐步回归法，主成分分析法。
再点击绘制选项，如下所示：
上图中：
dependent( 因变量） zpred(标准化预测值） zresid(标准化残差）dresid(剔除残差） adjpred(修正后预测值） srsid(学生化残差）sdresid(学生化剔除残差）
一般我们大部分以自变量作为 x 轴，用残差作为y轴，但是，也
不要忽略特殊情况，这里我们以zpred（标准化预测值）作为x 轴，分别用 sdresid（血生化剔除残差）和 zresid(标准化残差）作为y 轴，分别作为两组绘图变量。
再点击保存按钮，进入如下界面：
如上图所示：勾选距离下面的 cook距离选项（cook 距离，主要是指：把一个个案从计算回归系数的样本中剔除时所引起的残差大小，cook距离越大，表明该个案对回归系数的影响也越大）
在预测区间勾选均值和单值点击继续按钮，再点击确定按钮，得到如下所示的分析结果：(此分析结果，采用的是逐步法得到的结果）
接着上一期的多元线性回归解析里面的内容，上一次，没有写结果分析，这次补上，结果分析如下所示：
结果分析1：
由于开始选择的是逐步法，逐步法是向前和向后的结合体，从结果可以看出，最先进入线性回归模型的是 price in thousands 建立了模型1，紧随其后的是 wheelbase 建立了模型2，所以，模型中有此方法有个概率值，当小于等于0.05时，进入线性回归模型
（最先进入模型的，相关性最强，关系最为密切）当大于等0.1时，从线性模型中剔除
结果分析：
1：从模型汇总中可以看出，有两个模型，（模型1和模型2）从r2 拟合优度来看，模型2的拟合优度明显比模型1要好一些
（0.422 0.300）
2：从 anova表中，可以看出模型2 中的回归平方和为115.311，残差平方和为153.072，由于总平方和=回归平方和+残差平方和，由于残差平方和(即指随即误差，不可解释的误差）由于回归平方和跟残差平方和几乎接近，所有，此线性回归模型只解释了总平方和的一半，
3：根据后面的 f统计量的概率值为0.00，由于0.00 0.01，随着自变量的引入，其显著性概率值均远小于0.01，所以可以显著地拒绝总体回归系数为0的原假设，通过anova方差分析表可以看出销售量与价格和轴距之间存在着线性关系，至于线性关系的强弱，需要进一步进行分析。
结果分析：
1：从已排除的变量表中，可以看出：模型2 中各变量的t检的概率值都大于 0.05 所以，不能够引入线性回归模型必须剔除。
从系数a 表中可以看出：
1：多元线性回归方程应该为：销售量=-1.822-0.055*价格+0.061*轴距
但是，由于常数项的sig为（0.116 0.1) 所以常数项不具备显著性，
所以，我们再看后面的标准系数，在标准系数一列中，可以看到常数项没有数值，已经被剔除
所以：标准化的回归方程为：销售量=-0.59*价格+0.356*轴距
2：再看最后一列共线性统计量，其中价格和轴距两个容差和 vif
都一样，而且vif都为1.012，且都小于5，所以两个自变量之间没
有出现共线性，容忍度和
膨胀因子是互为倒数关系，容忍度越小，膨胀因子越大，发生共线
性的可能性也越大
从共线性诊断表中可以看出：
1：共线性诊断采用的是特征值的方式，特征值主要用来刻画自变
量的方差，诊断自变量间是否存在较强多重共线性的另一种方法是
利用主成分分析法，基本思想是：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，于是就可以从这些自变
量中提取出既能反应自变量信息（方差），而且有相互独立的因素（成分）来，该方法主要从自变量间的相关系数矩阵出发，计算相
关系数矩阵的特征值，得到相应的若干成分。
从上图可以看出：从自变量相关系数矩阵出发，计算得到了三个特
征值（模型2中），最大特征值为2.847，最小特征值为0.003
条件索引=最大特征值/相对特征值再进行开方（即特征值2的条件
索引为 2.847/0.150 再开方=4.351）
标准化后，方差为1，每一个特征值都能够刻画某自变量的一定比例，所有的特征值能将刻画某自变量信息的全部，于是，我们可以得到
以下结论：
1：价格在方差标准化后，第一个特征值解释了其方差的0.02，第
二个特征值解释了0.97，第三个特征值解释了0.00
2：轴距在方差标准化后，第一个特征值解释了其方差的0.00，第
二个特征值解释了0.01，第三个特征值解释了0.99
可以看出：没有一个特征值，既能够解释价格又能够解释轴距所
以价格和轴距之间存在共线性较弱。前面的结论进一步得到了论证。（残差统计量的表中数值怎么来的，这个计算过程，我就不写了）
从上图可以得知：大部分自变量的残差都符合正太分布，只有一，
两处地方稍有偏离，如图上的（-5到-3区域的）处理偏离状态
【篇二：多元线性回归spss案例】
表1-2 描述性数据汇总
标准化后得到的数据值，以下的回归分析将使用标准化数据。如图
1-5所示：
图1-5 数据标准化
我们还可以通过描述性分析中的“”来得到各个变量的众数，均值等，还可以根据这些量绘制直方图。我们选取个别变量（能源消费总量）的直方图，可以看到我们因变量基本符合正态分布。如图1-6所示：图1-6能源消费总量
1.2 回归分析
我们本次实验主要考察地区能源消费总额（因变量）与煤炭消费量、焦炭消费量、原油消费量、原煤产量、焦炭产量、原油产量之间的
关系。以下的回归分析所涉及只包括以上几个变量，并使用标准化
之后的数据。
1.2.1 参数设置单击菜单栏“ ”-- “ ”-- “”，将弹出如图1-7所示的对话框，将通过选择因变量和自变量来构建线性回归模型。因变量：标
准化能源消费总额；自变量：标准化煤炭消费量、标准化焦炭消费量、标准化原油消费量、标准化原煤产量、标准化焦炭产量、标准
化原油产量。自变量方法选择：进入，个案标签使用地名，不使用
权重最小二乘法回归分析—即wls权重为空。
图1-7选择线性回归变量还需要设置统计量的参数，我们选择回归系数中的“ ”和其他项中的“”。选中估计可输出回归系数b及其标准误，t值和p值，还有标准化的回归系数beta。选中模型拟合度复选框：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。如图1-8所示：
图1-8 设置回归分析统计量在设置绘制选项的时候，我们选择绘制
标准化残差图，其中的正态概率图是rankit图。同时还需要画出残
差图，y轴选择：zresid，x轴选择:zpred。如图1-9所示：
图1-9 设置绘制
左上框中各项的意义分别为:
4.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。本次实验暂时不保存任何项。
5.设置回归分析的一些选项，有：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。如图1-10所示：
图1-10 设置选项
1.2.2 结果输出与分析
在以上选项设置完毕之后点击确定，spss将输出一系列的回归分析
结果。我们来逐一贴出和分析，并根据它得到最后的回归方程以及
验证回归模型。表1-3所示，是回归分析过程中输入、移去模型记录。具体方法为：enter（进入）
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
回归分析 实验内容：基于居民消费性支出与居民可支配收入的简单线性回归分析 【研究目的】 居民消费在社会经济的持续发展中有着重要的作用。影响各地区居民消费支出的因素很多，例如居民的收入水平、商品价格水平、收入分配状况、消费者偏好、家庭财产状况、消费信贷状况、消费者年龄构成、社会保障制度、风俗习惯等等。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的经济模型去研究。 【模型设定】 我们研究的对象是各地区居民消费的差异。由于各地区的城市与农村人口比例及经济结构有较大差异，现选用城镇居民消费进行比较。模型中被解释变量Y选定为“城市居民每人每年的平均消费支出”。从理论和经验分析，影响居民消费水平的最主要因素是居民的可支配收入，故可以选用“城市居民每人每年可支配收入”作为解释变量X，选取2010年截面数据。 1、实验数据 表1： 2010年中国各地区城市居民人均年消费支出和可支配收入
2、实验过程 作城市居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)的散点图，如图1：
表2 模型汇总b 表3 相关性 从散点图可以看出居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)大体呈现为线性关系，所以建立如下线性模型：Y=a+bX
表4 系数a 3、结果分析 表2模型汇总：相关系数为0.965，判定系数为0.932，调整判定系数为0.930，估计值的标准误877.29128 表3是相关分析结果。消费性支出Y与可支配收入X相关系数为0.965，相关性很高。 表4是回归分析中的系数：常数项b=704.824，可支配收入X的回归系数a=0.668。a的标准误差为0.034，回归系数t的检验值为19.921，P值为0，满足95%的置信区间，可认为回归系数有显著意义。得线性回归方程Y=0.668X+704.824. 【实验结论】 （1）结果显示，变量之间具有如下关系式：Y=0.668X+704.824.也就是说消费与收入之间存在稳定的函数关系。随着收入的增加，消费将增加，但消费的增长低于收入的增长。这与凯尔斯的绝对收入消费理论刚好吻合。但为了研究方便，这里假设边际消费倾向为常数。由公式知X每增长1个单位，Y增加0.668个单位。
SPSS中多元回归分析实例在大多数的实际问题中，影响因变量的因素不是一个而是多个，我们称这类回问题为多元回归分析。可以建立因变量y与各自变量xj(j=1,2,3,…,n)之间的多元线性回归模型： Y=b+bx+bx+...+bx+e k210k12其中：b0是回归常数；bk(k=1,2,3,…,n)是回归参数；e是随机误差。 多元回归在病虫预报中的应用实例: 某地区病虫测报站用相关系数法选取了以下4个预报因子；x1为最多连续10天诱蛾量(头)；x2为4月上、中旬百束小谷草把累计落卵量(块)；x3为4月中旬降水量(毫米)，x4为4月中旬雨日(天)；预报一代粘虫幼虫发生量y（头/m2）。分级别数值列成表2-1。 预报量y：每平方米幼虫0~10头为1级，11~20头为2级，21~40头为3级，40头以上为4级。预报因子：x1诱蛾量0~300头为l级，301~600头为2级，601~1000头为3级，1000头以上为4级；x2卵量0~150块为1级，15l~300块为2级，301~550块为3级，550块以上为4级；x3降水量0~10.0毫米为1级，10.1~13.2毫米为2级，13.3~17.0毫米为3级，17.0毫米以上为4级； x4雨日0~2天为1级，3~4天为2级，5天为3级，6天或6天以上为4级。
数据保存在“DATA6-5.SA V”文件中。 1）准备分析数据 在SPSS数据编辑窗口中，创建“年份”、“蛾量”、“卵量”、“降水量”、“雨日”和“幼虫密度”变量，并输入数据。再创建蛾量、卵量、降水量、雨日和幼虫密度的分级变量“x1”、“x2”、“x3”、“x4”和“y”，它们对应的分级数值可以在SPSS数据编辑窗口中通过计算产生。编辑后的数据显示如图2-1。
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.
SPSS--回归-多元线性回归模型案例解析！(一） 多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些而已，例如：一元线性回归方程为： 毫无疑问，多元线性回归方程应该为： 上图中的x1, x2, xp分别代表“自变量”Xp截止，代表有P个自变量，如果有“N组样本，那么这个多元线性回归，将会组成一个矩阵，如下图所示： 那么，多元线性回归方程矩阵形式为： 其中：代表随机误差，其中随机误差分为：可解释的误差和不可解释的误差，随机误差必须满足以下四个条件，多元线性方程才有意义（一元线性方程也一样） 1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。 2：无偏性假设，即指：期望值为0 3：同共方差性假设，即指，所有的随机误差变量方差都相等 4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协方差解释。 今天跟大家一起讨论一下，SPSS---多元线性回归的具体操作过程，下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。数据如下图所示：
点击“分析”——回归——线性——进入如下图所示的界面：
将“销售量”作为“因变量”拖入因变量框内，将“车长，车宽，耗油率，车净重等10个自变量拖入自变量框内，如上图所示，在“方法”旁边，选择“逐步”，当然，你也可以选择其它的方式，如果你选择“进入”默认的方式，在分析结果中，将会得到如下图所示的结果：（所有的自变量，都会强行进入） 如果你选择“逐步”这个方法，将会得到如下图所示的结果：（将会根据预先设定的“F统计量的概率值进行筛选，最先进入回归方程的“自变量”应该是跟“因变量”关系最为密切，贡献最大的，如下图可以看出，车的价格和车轴跟因变量关系最为密切，符合判断条件的概率值必须小于0.05，当概率值大于等于0.1时将会被剔除）
多元回归分析 在大多数的实际问题中，影响因变量的因素不是一个而是多个，我们称这类回问题为多元回归分析。可以建立因变量y与各自变量x j(j=1,2,3,…,n)之间的多元线性回归模型： 其中：b0是回归常数；b k(k=1,2,3,…,n)是回归参数；e是随机误差。 多元回归在病虫预报中的应用实例: 某地区病虫测报站用相关系数法选取了以下4个预报因子；x1为最多连续10天诱蛾量(头)；x2为4月上、中旬百束小谷草把累计落卵量(块)；x3为4月中旬降水量(毫米)，x4为4月中旬雨日(天)；预报一代粘虫幼虫发生量y（头/m2）。分级别数值列成表2-1。 预报量y：每平方米幼虫0~10头为1级，11~20头为2级，21~40头为3级，40头以上为4级。 预报因子：x1诱蛾量0~300头为l级，301~600头为2级，601~1000头为3级，1000头以上为4级；x2卵量0~150块为1级，15l~300块为2级，301~550块为3级，550块以上为4级；x3降水量0~10.0毫米为1级，10.1~13.2毫米为2级，13.3~17.0毫米为3级，17.0毫米以上为4级；x4雨日0~2天为1级，3~4天为2级，5天为3级，6天或6天以上为4级。 表2-1 x1 x2 x3 x4 y 年蛾量级别卵量级别降水量级别雨日级别幼虫密 度 级别 1960 1022 4 112 1 4.3 1 2 1 10 1 1961 300 1 440 3 0.1 1 1 1 4 1 1962 699 3 67 1 7.5 1 1 1 9 1 1963 1876 4 675 4 17.1 4 7 4 55 4 1965 43 1 80 1 1.9 1 2 1 1 1 1966 422 2 20 1 0 1 0 1 3 1 1967 806 3 510 3 11.8 2 3 2 28 3
SPSS--回归-多元线性回归模型案例解析！(一) 多元线性回归,主要就是研究一个因变量与多个自变量之间的相关关系,跟一元回归原理差不多,区别在于影响因素(自变量)更多些而已,例如:一元线性回归方程 为: 毫无疑问,多元线性回归方程应该 为: 上图中的 x1, x2, xp分别代表“自变量”Xp截止,代表有P个自变量,如果有“N组样本,那么这个多元线性回归,将会组成一个矩阵,如下图所示: 那么,多元线性回归方程矩阵形式为: 其中:代表随机误差, 其中随机误差分为:可解释的误差与不可解释的误差,随机误差必须满足以下四个条件,多元线性方程才有意义(一元线性方程也一样) 1:服成正太分布,即指:随机误差必须就是服成正太分别的随机变量。 2:无偏性假设,即指:期望值为0 3:同共方差性假设,即指,所有的随机误差变量方差都相等 4:独立性假设,即指:所有的随机误差变量都相互独立,可以用协方差解释。 今天跟大家一起讨论一下,SPSS---多元线性回归的具体操作过程,下面以教程教程数据为例,分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系,建立拟合多元线性回归模型。数据如下图所示:
点击“分析”——回归——线性——进入如下图所示的界面:
将“销售量”作为“因变量”拖入因变量框内, 将“车长,车宽,耗油率,车净重等10个自变量拖入自变量框内,如上图所示,在“方法”旁边,选择“逐步”,当然,您也可以选择其它的方式,如果您选择“进入”默认的方式,在分析结果中,将会得到如下图所示的结果:(所有的自变量,都会强行进入) 如果您选择“逐步”这个方法,将会得到如下图所示的结果:(将会根据预先设定的“F统计量的概率值进行筛选,最先进入回归方程的“自变量”应该就是跟“因变量”关系最为密切,
SPSS—非线性回归(模型表达式)案例解析 2011-11-16 10:56 由简单到复杂，人生有下坡就必有上坡，有低潮就必有高潮的迭起，随着SPSS 的深入学习，已经逐渐开始走向复杂，今天跟大家交流一下，SPSS非线性回归，希望大家能够指点一二！ 非线性回归过程是用来建立因变量与一组自变量之间的非线性关系，它不像线性模型那样有众多的假设条件，可以在自变量和因变量之间建立任何形式的模型非线性，能够通过变量转换成为线性模型——称之为本质线性模型，转换后的模型，用线性回归的方式处理转换后的模型，有的非线性模型并不能够通过变量转换为线性模型，我们称之为：本质非线性模型 还是以“销售量”和“广告费用”这个样本为例，进行研究，前面已经研究得出：“二次曲线模型”比“线性模型”能够更好的拟合“销售量随着广告费用的增加而呈现的趋势变化”，那么“二次曲线”会不会是最佳模型呢？ 答案是否定的，因为“非线性模型”能够更好的拟合“销售量随着广告费用的增加而呈现的变化趋势” 下面我们开始研究： 第一步：非线性模型那么多，我们应该选择“哪一个模型呢？” 1：绘制图形，根据图形的变化趋势结合自己的经验判断，选择合适的模型 点击“图形”—图表构建程序—进入如下所示界面：
点击确定按钮，得到如下结果：
放眼望去, 图形的变化趋势，其实是一条曲线，这条曲线更倾向于"S" 型曲线，我们来验证一下，看“二次曲线”和“S曲线”相比，两者哪一个的拟合度更高！ 点击“分析—回归—曲线估计——进入如下界面
在“模型”选项中，勾选”二次项“和”S"两个模型，点击确定，得到如下结果：
多元回归分析 在大多数得实际问题中，影响因变量得因素不就就是一个而就就是多个,我们称这类回问题为多元回归分析。可以建立因变量y与各自变量x j(j=1,2,3，…，ｎ)之间得多元线性回归模型: 其中:b0就就是回归常数；b k(ｋ=1,２,3,…，n）就就是回归参数;e就就是随机误差。 多元回归在病虫预报中得应用实例: 某地区病虫测报站用相关系数法选取了以下4个预报因子;ｘ1为最多连续10天诱蛾量（头);x2为4月上、中旬百束小谷草把累计落卵量(块);x3为４月中旬降水量(毫米),x４为4月中旬雨日(天);预报一代粘虫幼虫发生量y（头/m2)。分级别数值列成表2－１。 预报量y:每平方米幼虫0~１０头为１级,1１~20头为2级,21～4０头为3级，40头以上为4级。 预报因子：x1诱蛾量0～30０头为ｌ级,3０1～60０头为２级,６01~100０头为3级，1000头以上为4级;x2卵量0~150块为１级,１５l~300块为2级，3０1～5５0块为３级,5５0块以上为４级；ｘ3降水量0~10、0毫米为1级，10、1~13、2毫米为2级,13、3~17、０毫米为3级,17、0毫米以上为4级;x4雨日０~2天为1级,3~4天为２级,５天为3级,6天或6天以上为4级。 表2-1
数据保存在“ＤＡTＡ6－5、SAV”文件中。 １）准备分析数据 在ＳPＳS数据编辑窗口中，创建“年份”、“蛾量”、“卵量”、“降水量”、“雨日”与“幼虫密度”变量,并输入数据。再创建蛾量、卵量、降水量、雨日与幼虫密度得分级变量“x1”、“ｘ2”、“ｘ3”、“x４”与“y”,它们对应得分级数值可以在SＰＳS数据编辑窗口中通过计算产生。编辑后得数据显示如图2-1。 图2－１ 或者打开已存在得数据文件“DＡTA6-5、SAV”。 2）启动线性回归过程 单击ＳPSS主菜单得“Ａnalyze”下得“Ｒegｒession”中“Ｌｉnｅar”项，将打开如图２-2所示得线性回归过程窗口。
(完整word版)SPSS线性回归分析案例 编辑整理： 尊敬的读者朋友们： 这里是精品文档编辑中心，本文档内容是由我和我的同事精心编辑整理后发布的，发布之前我们对文中内容进行仔细校对，但是难免会有疏漏的地方，但是任然希望（(完整word版)SPSS线性回归分析案例）的内容能够给您的工作和学习带来便利。同时也真诚的希望收到您的建议和反馈，这将是我们进步的源泉，前进的动力。 本文可编辑可修改，如果觉得对您有帮助请收藏以便随时查阅，最后祝您生活愉快业绩进步，以下为(完整word版)SPSS线性回归分析案例的全部内容。
回归分析 实验内容：基于居民消费性支出与居民可支配收入的简单线性回归 分析 【研究目的】 居民消费在社会经济的持续发展中有着重要的作用。影响各地区居民消费支出的因素很多,例如居民的收入水平、商品价格水平、收入分配状况、消费者偏好、家庭财产状况、消费信贷状况、消费者年龄构成、社会保障制度、风俗习惯等等.为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系,可以建立相应的经济模型去研究。 【模型设定】 我们研究的对象是各地区居民消费的差异。由于各地区的城市与农村人口比例及经济结构有较大差异,现选用城镇居民消费进行比较。模型中被解释变量Y选定为“城市居民每人每年的平均消费支出”。从理论和经验分析,影响居民消费水平的最主要因素是居民的可支配收入，故可以选用“城市居民每人每年可支配收入”作为解释变量X，选取2010年截面数据。 1、实验数据 表1：
2、实验过程 作城市居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)的散点图，如图1：
《数据分析实务与案例实验报告》 曲线估计 学号：204 班级：2013 应用统计 姓名： ____________________ 日期：2 0 1 4 - 12 - 7 数学与统计学学院 一、实验目的
1.准确理解曲线回归分析的方法原理。 2.了解如何将本质线性关系模型转化为线性关系模型进行回归分析。 3.熟练掌握曲线估计的SPSS操作。 4.掌握建立合适曲线模型的判断依据。 5.掌握如何利用曲线回归方程进行预测。 6.培养运用多曲线估计解决身边实际问题的能力。 二、准备知识 1.非线性模型的基本内容 变量之间的非线性关系可以划分为本质线性关系和本质非线性关系。所谓本质线性关系是指变量关系形式上虽然呈非线性关系，但可以通过变量转化为线性关系，并可最终进行线性回归分析，建立线性模型。本质非线性关系是指变量之间不仅形式上呈现非线性关系，而且也无法通过变量转化为线性关系，最终无法进行线性回归分析，建立线性模型。本实验针对本质线性模型进行。下面介绍本次实验涉及到的可线性化的非线性模型，所用的变换既有自变量的变换，也有因变量的变换。 乘法模型： y x1 x2 x3 其中，，，都是未知参数，是乘积随机误差。对上式两边取自然对数得到 ln y ln ln x1 ln x 2 ln x3 ln 上式具有一般线性回归方程的形式，因而用多元线性回归的方法来处理。然而，必须强调指出的是，在求置信区间和做有关试验时，必须是 ln : N(0, 2I n) ，而不是 : N(0，2I n), 因此检验之前，要先检验ln 是否满足这个假设。 三、实验内容 已有很多学者验证了能源消费与经济增长的因果关系，证明了能源消费是促进经济增长的原因之一。也有众多学者利用C-D生产函数验证了劳动和资本对经济增长的影响机理。所有这些研究都极少将劳动、资本、和能源建立在一个模型中来研究三个因素对经济增长的作用方向和作用大小。
SPSS19.0实战之多元线性回归分析 (2011-12-09 12:19:11) 转载▼ 分类：软件介绍 标签： 文化 线性回归数据（全国各地区能源消耗量与产量）来源，可点击协会博客数据挖掘栏：国泰安数据服务中心的经济研究数据库。 1.1 数据预处理 数据预处理包括的内容非常广泛，包括数据清理和描述性数据汇总，数据集成和变换，数据归约，数据离散化等。本次实习主要涉及的数据预处理只包括数据清理和描述性数据汇总。一般意义的数据预处理包括缺失值填写和噪声数据的处理。于此我们只对数据做缺失值填充，但是依然将其统称数据清理。 1.1.1 数据导入与定义 单击“打开数据文档”，将xls格式的全国各地区能源消耗量与产量的数据导入SPSS中，如图1-1所示。 图1-1 导入数据 导入过程中，各个字段的值都被转化为字符串型（String），我们需要手动将相应的字段转回数值型。单击菜单栏的“ ”-->“ ”将所选的变量改为数值型。如图1-2所示：
图1-2 定义变量数据类型 1.1.2 数据清理 数据清理包括缺失值的填写和还需要使用SPSS分析工具来检查各个变量的数据完整性。单击“ ”-->“ ”，将检查所输入的数据的缺失值个数以及百分比等。如图1-3所示： 图1-3缺失值分析
表1-1 能源消耗量与产量数据缺失值分析 SPSS提供了填充缺失值的工具，点击菜单栏“ ”-->“ ”，即可以使用软件提供的几种填充缺失值工具，包括序列均值，临近点中值，临近点中位数等。结合本次实习数据的具体情况，我们不使用SPSS软件提供的替换缺失值工具，主要是手动将缺失值用零值来代替。 1.1.3 描述性数据汇总 描述性数据汇总技术用来获得数据的典型性质，我们关心数据的中心趋势和离中趋势，根据这些统计值，可以初步得到数据的噪声和离群点。中心趋势的量度值包括：均值（mean），中位数（median），众数（mode）等。离中趋势量度包括四分位数（quartiles），方差（variance）等。 SPSS提供了详尽的数据描述工具，单击菜单栏的“ ”-->“ ”-->“ ”，将弹出如图2-4所示的对话框，我们将所有变量都选取到，然后在选项中勾选上所希望描述的数据特征，包括均值，标准差，方差，最大最小值等。由于本次数据的单位不尽相同，我们需要将数据标准化，同时勾选上“将标准化得分另存为变量”。
农民收入影响因素的多元回归分析 自改革开放以来,虽然中国经济平均增长速度为9.5 % ,但二元经济结构给经济发展带来的问题仍然很突出。农村人口占了中国总人口的70 %多,农业产业结构不合理,经济不发达,以及农民收入增长缓慢等问题势必成为我国经济持续稳定增长的障碍。正确有效地解决好“三农”问题是中国经济走出困境,实现长期稳定增长的关键。其中,农民收入增长是核心,也是解决“三农”问题的关键。本文力图应用适当的多元线性回归模型,对有关农民收入的历史数据和现状进行分析,寻找其根源,探讨影响农民收入的主要因素,并在此基础上对如何增加农民收入提出相应的政策建议。 一、回归模型的建立 （1）数据的收集 根据实际的调查分析，我们在影响农民收入因素中引入3个解释变量。即：X2-财政用于农业的支出的比重， X3-乡村从业人员占农村人口的比重， X4-农作物播种面积
（1）回归模型的构建 Y i=1+2X2+3X3+4X4+u i 二、回归模型的分析 （1）多重共线性检验 (2)模型异方差的检验 异方差产生的原因有：数据质量原因、模型设定原因。由异方差引起的后果一般会导致回归系数估计结果误差较大、有关统计检验失去意义、模型的预测失效等危害，所以在建立模型的过程中必须要检验模型之间是否存在异方差。若存在异方差解决办法——加权最小二乘法。
从上表散点图判断模型的解释变量之间是否存在异方差，但从上表可以看到散点图之间的特征不是特别明显。不易于做出结论，故采用|e|与X的等级相关系数进行判定。 表2 从表2可知，在95%的置信水平下，检验统计量与为标准化残差的绝对值（|e|）之间的显著性水平P值均大于0.05，则接受原假设，检验统计量与|e|之间是独立的，不存在相关关系。说明模型不存在异方差。 (3)模型序列相关的检验 序列相关是指各随机误差项之间不独立，则称其存在自相关或序列相关性。 自相关产生的原因有：经济变量的惯性、省略解释变量的影响、错误的函数形式