多元性回归分析--韩国叫&多层回归分析
一、一元线性回归分析的SPSS 过程
“Analyze”--“Regression”--“Linear…”
因变量Y置入“Dependent”，自变量X置入“Independents”
。在Method框中，默认选择“Enter”选项，表示所选自变量全部进入回归模型。
步骤3：回归方程有效性检验的设置
的“Statistics…”按钮：
开“Linear Regression：Statistics”对话框，勾选对话框上的“Model
fit”和“Estimates”两个选项。
此一设置可以输出判定系数、调整的判定系数、回归方程的标准误、F 检验的方差分析表等。
步骤4：主要输出结果的读取与解释
（1）方程的拟合优度
R Square = 0.746，说明自变量X 能够有效地预测Y 的变化，即学生平时的数学考试成绩能比较有效地预测其高考的数学成绩。
（2）回归分析的方差分析
一元线性回归方程的拟合优度检验，（F = 23.477， p = 0.001
0.01），回归方程达到了很显著性的水平，其判定系数说明自变量与因变量直接具有很显著的线性相关。
（3）回归系数及其显著性
得到的一元线性回归方程为：Y&= 24.506 + 0.723X
二、多元线性回归分析的SPSS 过程
&多元线性回归分析的SPSS
过程与一元线性回归分析基本一致，只是变量选择方法有所不同。
【例9-2】某公司对15 名员工进行考评，测得他们的文化基础知识得分1 X 、专业技能得分2 X 及智商3 X 如表9-4
所示，并且又将用人部门对他们的实际工作能力评定得分Y
列于表中。试通过回归分析，研究员工的文化基础知识、专业技能和智商对其实际工作能力的影响
步骤1：建立数据文件
数据文件至少包括这多列自变量和一列因变量的数据
要建立的是X1~X3为自变量、Y为因变量的多元线性回归方程。
步骤2：对话框设置和操作
“Analyze”选择“Regression”中的“Linear…”命令，打开对话框如图9-5所示。将对话框左边变量列表中的因变量Y置入“Dependent”下面的方框中，而把自变量X1~X3置入“Independents”下面的方框中。在Method框中，选择“Backward”选项（逐步剔除法）。
步骤3：回归方程有效性检验的设置
此一步骤的操作与一元线性回归分析相同。
单击主对话框上的“Statistics…”按钮，打开“Linear
Regression：Statistics”对话框，如图9-5 所示。勾选对话框上的“Model
fit”和“Estimates”两个选项。
步骤4：主要输出结果的读取与解释
系统输出的结果主要包括四个部分：
（1）分步剔除自变量获得一系列回归方程
三个自变量均进入方程，变量选择方法是“Enter”；
方程二：&剔除了自变量X1，变量选择方法是“Backward”；
方程二： &剔除了自变量X3，变量选择方法是“Backward”。
（2）回归方程的拟合优度及其比较
主要是用于对三个方程的拟合优度进行比较，以判断三个方程的优劣。
从方程的判定系数 来看，第一、二、三个方程的判定系数相差不大但也是依次减小的。
自变量数量的变化会影响到判定系数的大小，在多元线性回归分析中，更主要的是看调整后的判定系数<img STYLE="WiDTH: 23 HeiGHT: 25px" HEIGHT="15" src="/blog7style/images/common/sg_trans.gif" real_src ="/small/4e5f667fg950d117eb7a2&690" WIDTH="18" NAME="image_operate_04687"
ALT="多元性回归分析--韩国叫&多层回归分析"
TITLE="多元性回归分析--韩国叫&多层回归分析" />
，表中数据显示第三个方程的调整后的<img STYLE="WiDTH: 23 HeiGHT: 25px" HEIGHT="15" src="/blog7style/images/common/sg_trans.gif" real_src ="/small/4e5f667fg950d117eb7a2&690" WIDTH="18" NAME="image_operate_04687"
ALT="多元性回归分析--韩国叫&多层回归分析"
TITLE="多元性回归分析--韩国叫&多层回归分析" />=
0.650，达到最大，所以第三个方程的拟合优度最高。
（3）回归模型有效性的方差分析表
表9-7中的结果显示，三个回归模型的方差分析结果均达到很显著性水平，即F值的显著性水平均达到p&&
0.01，说明三个方程均有效，总体上说，因变量与自变量之间存在显著性的线性相关。
（4）回归参数的显著性t 检验
回归参数的显著性检验是对方程中的所有回归参数进行显著性的t 检验以显示方程中各部分对预测因变量的贡献大小。
表9-8中数据显示，三个自变量对应的回归系数中显著性最低且远未达到显著性水平的是b1 ，说明自变量1 X
对预测因变量的贡献不大，于是将其从方程中剔除形成方程二。在方程二中，回归系数中显著性最低且远未达到显著性水平的是b3 ，说明自变量3
X 对预测因变量的贡献不大，于是将其从方程中剔除形成方程三。方程三中只剩一个自变量，而且它的回归系数达到了及其显著性的水平（ p
& 0.001）。
最后得到了一个有效的一元线性回归方程：,其他两个自变量因为与因变量的线性相关不明显，对其预测的贡献不大，所以被剔除.
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。运用方差分析和回归分析可以求解哪些问题
方差分析和回归分析总体上都属于一个类别,一般线性模型（general linear model,GLM）.从资料类型来看,方差分析的因变量是连续型资料,自变量是分类变量,一般都以组别的形式出现.回归分析的因变量是连续型资料,自变量既可以是分类资料,也可以是连续型资料,也可以两种资料都有.从目的来看,大多数方差分析的目的都是比较组间差异,比如3组人群的身高是都有差异等.而回归分析主要是看自变量对因变量的影响,或因变量是否随着自变量的变化而变化,如血压是否随年龄而变化等.
为您推荐：
其他类似问题
可以解决差异性的问题和因果关系的问题
扫描下载二维码}