多元线性回归预测
在预测中，当预测对象y 受到多个因素m x x x ,,,21 影响时，如果各个影响因素j x （m j ,,2,1 =）与y 的相关关系可以同时近似地线性表示，这时则可以建立多元线性回归模型来进行分析和预测。
假定因变量y 与自变量),,2,1(m j x j =之间的关系可表示为
i mi m i i i x b x b x b b y ε+++++= 22110
（2-22）
n i ,,2,1 =（样本序号）
其中0b 、j b ),,2,1(m j =——模型回归系数；i ε为除自变量j x ),,2,1(m j =的影响之外对i y 产生影响的随机变量，即随机误差。该结论基于以下的假设：
随机误差i ε的期望值为零，),,2,1(0)(n i E i ==ε； 方差的期望值为一常数2σ，),,2,1()(22n i E i ==σε；
各随机误差项是互不相关的，即协方差的数学期望值为零，0),(=j i E εε
),,,2,1,(j i n j i ≠=
当以上假设得到满足时，式（2-22）便称为多元线性回归预测模型，这时可写成
),,2,1(?22110n i x b x b x b b y
mi m i i i =?++++=
（2-23）
和一元线性回归预测模型一样，多元线性回归预测模型建立时也采用最小二
二乘法估计模型参数，但具体估计时有二种算法，分述如下。
一、多元线性回归预测模型的一般算法 1．建立模型 改写式（2-22） 得
),,2,1(?n i y
y i i i =-=ε
方差和Q 为
2
1
221102212
)()?(mi m n
i i i i n
i i i n
i i x b x b x b b y y
y Q -----=-==∑∑∑=== ε
根据最小二乘法原理，欲估计参数),,2,1(m i b i =，要满足条件：
??????
?????=------=??=------=??=------=??0)(Σ20)(Σ20)(Σ2221102211011
221100mi m i i i mi m
mi m i i i i mi m i i i x b x b x b b y x b Q
x b x b x b b y x b Q
x b x b x b b y b Q
整理上式可得到：
??
????
?=++++=++++=++++i mi mi m i mi i
mi mi i
i mi i m i i t i i mi m i i y
x x b x x b x x b x b y x x x b x x b x b x b y x b x b x b nb ΣΣΣΣΣΣΣΣΣΣΣΣΣΣ222110112122
111022,110 而对于各变量的样本平均值，其误差平方和为：
???
?
?
?
???
-=--==--==∑∑∑===n i i yy n
i i j ji yj jy n
i k ki j ji kj jk y y s y y x x s s x x x x s s 12
11
)
())(()
)((
（2-25）
),,2,1,(k k j =
式中
∑==n
i ji j x n x 1
1
∑==n
i i y n y 1
1
利用（2-24）式，将方程组（2-25）可改写为
???
??
?
?=+++=+++=+++my mm m m m y
m m y m m s s b s b s b s s b s b s b s s b s b s b
22112222221211122111 （2-26）
以及 m m x b x b x b y b ----= 22110 （2-17）
方程组（2-26）叫正规方程组或规范方程式，解该方程组，则得到回归系数0b ，
1b ，2b ，…，m b 。即为用最小二乘法原理估计的多元线性预测模型（2-23）的
回归系数。从原理上讲，按上述解法，对任意多个自变量的线性回归模型都可估计参数，但由于变量较多时计算工作量大，当自变量大于3个时，手工计算已很困难，宜用矩阵解法在计算机上计算。
如二元线性回归预测模型。 有正规方程为
????
?=+=+y y
s b b b s s b s b s 22221
211212111 解该方程组，
有
12
21221112222122
21
12112221211s s s s s s s s s s s s s s s s b y y y y
--=
=
（2-28）
同理
12
2122112111122s s s s s s s s b y y --=
（2-29） 22110x b x b y b --=
（2-30）
式中
????
???
??
???
?
???
??
?-=--=-=--=-=-=-=--==-=-=)
)(Σ(Σ1Σ))((Σ)
)(Σ(Σ1Σ))((Σ)(Σ1Σ)(Σ))(Σ(Σ1
Σ)()(Σ)(Σ1Σ)(Σ2222211111222222222212122112112212
121111
i i i i i i y i i i i i i y i i
i i i i i i i i i i y x n y x y y x x s y x n
y x y y x x s x n x x x s x x n x x x x x x s s x n
x x x s （2-31）
2．统计检验
（1）剩余标准差计算
1
)?(Σ2---=m n y
y s i i
（2-3
2）
m ——自变量个数
为了方便统计检验，先计算离差计算表。
（2）相关系数检验
2
22
)(Σ)?(Σ1y y y
y R i i i ---=
（2-33）
（3）F 检验
22
)?(s m y y
F i ?-∑=
（2-34）
（4）t 检验
t 检验是通过对回归系数),,2,1(m i b i =的逐一检验，以判断),,2,1(m i x i =是否因系数i b 为零而必须予以删除。
i
i
bi s b t =
（2-35）
然后设定显著性水平a ，查t 分布表，取自由度1--=m n v ，得到t 检验值2/a t 。
当2/a bi t t ≥时，检验通过。
当2/a bi t t <时，说明所选自变量i x 对y 影响不显著，或者自变量间存在多重共线性，应该予以剔除或作某种处理。
设bi s 为回归系数的标准差
bi s 按下列公式计算：
s c s ii bi ?=
（2-36）
式中：ii c ——正规方程系数矩阵ε的逆矩阵c 中的i 行i 列元素。 按照伴随矩阵求逆矩阵的方法，其逆矩阵
??
?
???--=
=-112112221
||1s s s s s s
c 因为 22212211||s s s s s -=
所以有
?
?????
???
???------=1221221111
122112
112112
212211121221221122s s s s s s s s s s s s s s s s s s s s c （2-37）
在多元线性回归预测中，F 检验是判断全部自变量的整体作用与因变量的线
性关系是否显著，而t 检验则是检验每一个自变量与因变量的线性关系是否显著。所以，在多元线性回归预测中，t 检验比F 检验更有必要。因为根据t 检验的结果，可以判断那些对因变量线性关系不显著的自变量，从而予以剔除，重新建立回归模型。
（5）DW 检验
多元线性回归DW 检验和一元线性回归预测一样按（2-18）式计算
（6）预测区间的确定
按照正态分布理论，当置信度为95%时，预测区间为
上限 s y y
H 2??0+= 下限
s y y
L 2??0-= （2-38） 对于某组自变量的取值为10x ，20x ，…，0m x ，代入上式，则可求得该预测区间
为（H L y y ?,?）。
二、多元线性回归方程的矩阵解法 1．建立预测模型
当已知n 组自变量),,2,1(m j x j =和因变量y 的观测值时，（2-22）式可用矩阵形式写成
U XB Y +=
（2-39）
式中
?
?
???
??
??
???=???
???
??????=mn n n m m n x x x x x x
x x x y y y 2122212
12111
21111X Y ?????
???????=????
???
?????????=n m b b b b εεε 21210U B
Y 为因变量列向量，即y 的n 个数，X 为自变量矩阵，即m 个自变量与y 对应的n 组数据，B 为回归系数向量，而U 为随机误差向量。取随机误差向量0=U ， 有 XB Y =
因为在X 矩阵中，一般m n ≠，因而X 无法求逆，为了求解B ，两边同时左乘X 的转置矩阵T X 得
XB X Y X T T =
而X X T 为方阵，可求逆，这时可得
Y X X X B T T 1)(-=
即有多元线性回归预测模型系数估计公式
Y X X X B T T 1210)(-=?????
??
?????????=m b b b b （2-40）
2．多元线性回归模型的统计检验 （1）标准误差检验
多元线性回归预测模型标准差检验有因变量标准差s 检验和各回归系数标准差bi s 检验。
（a ）因变量标准差s 检验 计算公式为
1
)
(1
221102--∑+∑+∑-∑=
---=
m n y x b y x b y b y m n B s i i i i i i
T T Y X Y Y T （2-41）
式中，m 为自变量个数，n 为样本数。
（b ）各个回归系数标准差),,2,1(m i s bi =检验计算公式为
),,2,1,0(m y s c s ii bi =?=
（2-42）
式中：ii c 为1)(-X X T 矩阵中主对角线上的第i 项。
（2）相关系数检验
多元线性回归预测模型的相关系数计算公式为
2
2
y
n y n R --=
Y Y Y X B T T T （2-43）
（3）F 检验
多元线性回归预测模型的总体效果检验采用F 检验，计算公式为
2
T T Y X B ms F =
（2-44）
式中m 为自变量个数。
在利用（2-44）式计算出F 值后，确定显著性水平a ，查F 检验表，得a 显著水平下，当自由度1--=m n v 时的F 检验值a F 。当a F F ≥时，检验通过，模型有效，反之则模型无效。
（4）t 检验
（5）DW 检验：按式（2-18） （6）预测区间
经过对回归预测模型进行检验，判断为有显著的线性关系后，在预测模型中代入预先确定的自变量值，即可求得因变量在对应点上的预测值。
三、多重共线性
多重共线性是指自变量之间又存在线性关系，或接近线性关系。应用最小二乘法估计参数的一个重要条件就是自变量之间为这完全的线性相关。如果完全相关，则1)(-X X T 不存在，最小二乘法就失效了。在一般情况下，自变量之间都有某种程度的相关。如经济系统中的工业产值、农业产值、运输、建筑业产值、固定资产、职工人数等。如果相关程度比较低，则其影响可以忽略。但当存在高度的相关性，即有严重的多重共线性时，会产生如下后果：
（1）参数估计的精度降低，某些回归系数的标准偏差bi s 很大，不能正确反映自变量与因变量之间的关联程度，使参数估计值很不可靠。
（2）回归系数的估计值可能对某几组观察值特别敏感，这些观察值一旦变动，对参数估计值影响很大。
（3）回归系数可能出现与事理意义不符的符号。 （4）可能将有用的变量排除掉。 由于多重共线性的影响，可能会导致预测失败，因而要想办法消除。消除时，首先要进行判断，是否在自变量之间存在较严重的相关性。如果存在，然后采用一定的方法进行处理。
判断的方法有二种。一种是通过计算自变量之间的相关系数来判断。
根据自变量i x 、j x 的观察值，计算二者之间的相关系数ij r
∑∑∑===?
?=
n
t jt
n
t it
n
i it
it
ij x
x
x x
r 1
21
21
（2-45）
显然，当1=ij r 时，i x 与j x 完全相关，即会出现完全的多重共线性；当0=ij r 时，i x 与j x 完全不相关；一般<
第二种判断方法是利用不包含某个变量的复相关系数2j r 来判断。复相关系数按式（2-33）计算。
设共有m 个自变量，有回归方程
),,,(21m x x x f y =
为了判断多重共线性，分别构造不含某个变量j x 的m 个回归方程，
),,,,,,(1121m j j j j x x x x x f y +-=
),,2,1(m j =
并对每个方程估计出复相关系数2
2221,,,m r r r 。2j r 越大，则所对应的自变量j x 与
其它解释变量发生多重共线性越严重。
以上二种方法前者是用相关系数来判断，可判断在一定置信水平下的多重共线性，但当变量较多时，判断不可靠。后者意义明确，但计算工作量大。
多重共线性可以采用以下方法消除。 （1）剔除不必要的解释变量。即从一组高度相关的自变量中剔除某个变量，该变量可以是回归系数最小的，或t 检验值最小的，或系数符号与经济意义不符的，然后重新估计参数，建立预测模型，这是最常用的方法；
（2）改变自变量的定义形式。如将观察值累加生成，或将二个自变量合并
形成一个新的变量，或用新的变量代替具有多重共线性的变量。
（3）增加观察值，避免或减少多重共线性；
（4）寻找新的解释变量；
（5）采用逐步回归法估计参数，减少多重共线性的影响。
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、
1. 表1列出了某地区家庭人均鸡肉年消费量Y 与家庭月平均收入X ，鸡肉价格P 1，猪肉价格P 2与牛肉价格P 3的相关数据。 年份 Y/千 克 X/ 元 P 1/(元/千克) P 2/(元/千克) P 3/(元/千克) 年份 Y/千克 X/元 P 1/(元/ 千克) P 2/(元/ 千克) P 3/(元/千克) 1980 2.78 397 4.22 5.07 7.83 1992 4.18 911 3.97 7.91 11.40 1981 2.99 413 3.81 5.20 7.92 1993 4.04 931 5.21 9.54 12.41 1982 2.98 439 4.03 5.40 7.92 1994 4.07 1021 4.89 9.42 12.76 1983 3.08 459 3.95 5.53 7.92 1995 4.01 1165 5.83 12.35 14.29 1984 3.12 492 3.73 5.47 7.74 1996 4.27 1349 5.79 12.99 14.36 1985 3.33 528 3.81 6.37 8.02 1997 4.41 1449 5.67 11.76 13.92 1986 3.56 560 3.93 6.98 8.04 1998 4.67 1575 6.37 13.09 16.55 1987 3.64 624 3.78 6.59 8.39 1999 5.06 1759 6.16 12.98 20.33 1988 3.67 666 3.84 6.45 8.55 2000 5.01 1994 5.89 12.80 21.96 1989 3.84 717 4.01 7.00 9.37 2001 5.17 2258 6.64 14.10 22.16 1990 4.04 768 3.86 7.32 10.61 2002 5.29 2478 7.04 16.82 23.26 1991 4.03 843 3.98 6.78 10.48 （1） 求出该地区关于家庭鸡肉消费需求的如下模型： 01213243ln ln ln ln ln Y X P P P u βββββ=+++++ （2） 请分析，鸡肉的家庭消费需求是否受猪肉及牛肉价格的影响。 先做回归分析，过程如下： 输出结果如下：
ESS&i-k)A RSS[(k -1) ESS /(SI)I). TSS/(n-k) 多元线性回归模型练习 一、单项选择题 1. 在由〃 =30的一组样本估计的、包含3个解释变量的线性回归模型中，计算 得可决系数为0.8500,则调整后的可决系数为（D ） A. 0. 8603 B. 0. 8389 C. 0. 8655 D. 0. 8327 2. 用一组有30个观测值的样本估计模型乂 =如玷气+E +0后,在0. 05的 显著性水平上对九的显著性作「检验，则气显著地不等于零的条件是其统计量， 大于等于 （C ） A. ，O .O 5（3°） B . ‘。025（28） c.，。。25（27） p ^*0.025 （^28） 3?线性回归模型乂 =4+"1也+勾％ +……+ b k x h +u i 中,检验 =0（，= 0,1,2,..人）时，所用的统计量 服从（C ） A. t （n _k+l ） B. t （n -k -2） C. t （n -k _l ） D. t （n -k+2） 4. 调整的可决系数与多元样本判定系数R ，之间有如下关系（ D ） 局=公—/?2 职=]_qj R2 A. n-k -1 B ? n-k-\ R 2=[—- （1 + R2） 斤 2 =]— （I-/?2） C. n-k-\ D. n-k-\ 5. 对模型Y L B 。+ B 伏"B 2X 2i + u 「进行总体显著性F 检验,检验的零假设是 （A ） A. P 1= 3 2=0 B. 3 i=0 C. B 2-O D. B 0二0 或 B i=0 6. 设k 为[q 归模型中的参数个数，n 为样本容量。则对多元线性同归方程进行 显著性检验时，所用的F 统计量可表示为（B ） R2/ k B (1-R2)/(D b/d) c. (1-R2)/(S1) 7. 多元线性问归分析中（回归模型中的参数个数为k ）,调整后的可决系数与 可决系数R2之间的关系（A ）
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.
野外实习资料的数理统计分析 一元线性回归分析 一元回归处理的是两个变量之间的关系，即两个变量X和Y之间如果存在一定的关系，则通过观测所得数据，找出两者之间的关系式。如果两个变量的关系大致是线性的，那就是一元线性回归问题。 对两个现象X和Y进行观察或实验，得到两组数值：X1，X2,…，Xn和Y1，Y2，…，Yn,假如要找出一个函数Y=f(X),使它在 X=X1,X2, …,Xn时的数值f(X1),f(X2), …,f(Xn)与观察值Y1，Y2，…，Yn趋于接近。 在一个平面直角坐标XOY中找出（X1，Y1），（X2，Y2），…，（Xn，Yn）各点，将其各点分布状况进行察看，即可以清楚地看出其各点分布状况接近一条直线。对于这种线性关系，可以用数学公式表示： Y = a + bX 这条直线所表示的关系，叫做变量Y对X的回归直线，也叫Y对X 的回归方程。其中a为常数，b为Y对于X的回归系数。 对于任何具有线性关系的两组变量Y与X，只要求解出a与b的值，即可以写出回归方程。计算a与b值的公式为：
式中：为变量X的均值，Xi为第i个自变量的样本值，为因变量的均值，Yi为第i个因变量Y的样本值。n为样本数。 当前一般计算机的Microsoft Excel中都有现成的回归程序，只要将所获得的数据录入就可自动得到回归方程。 得到的回归方程是否有意义，其相关的程度有多大，可以根据相关系数的大小来决定。通常用r来表示两个变量X和Y之间的直线相关程度，r为X和Y的相关系数。r值的绝对值越大，两个变量之间的相关程度就越高。当r为正值时，叫做正相关，r为负值时叫做负相关。r 的计算公式如下： 式中各符号的意义同上。 在求得了回归方程与两个变量之间的相关系数后，可以利用F检验法、t检验法或r检验法来检验两个变量是否显著相关。具体的检验方法在后面介绍。
多元线性回归分析预测法 (重定向自多元线性回归预测法) 多元线性回归分析预测法（Multi factor line regression method，多元线性回归分析法） [编辑] 多元线性回归分析预测法概述 在市场的经济活动中，经常会遇到某一市场现象的发展和变化取决于几个影响因素的情况，也就是一个因变量和几个自变量有依存关系的情况。而且有时几个影响因素主次难以区分，或者有的因素虽属次要，但也不能略去其作用。例如，某一商品的销售量既与人口的增长变化有关，也与商品价格变化有关。这时采用一元回归分析预测法进行预测是难以奏效的，需要采用多元回归分析预测法。 多元回归分析预测法，是指通过对两上或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。当自变量与因变量之间存在线性关系时，称为多元线性回归分析。 [编辑] 多元线性回归的计算模型[1] 一元线性回归是一个主要影响因素作为自变量来解释因变量的变化，在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释
因变量的变化，这就是多元回归亦称多重回归。当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元性回归。 设y为因变量，为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为： 其中，b0为常数项，为回归系数，b1为固定时，x1每增加一 个单位对y的效应，即x1对y的偏回归系数；同理b2为固定时，x2每增加一个单位对y的效应，即，x2对y的偏回归系数，等等。如果两个自变量x1,x2同一个因变量y呈线相关时，可用二元线性回归模型描述为： 其中，b0为常数项，为回归系数，b1为固定时，x2每增加一 个单位对y的效应，即x2对y的偏回归系数，等等。如果两个自变量x1,x2同一个因变量y呈线相关时，可用二元线性回归模型描述为： y = b0 + b1x1 + b2x2 + e 建立多元性回归模型时，为了保证回归模型具有优良的解释能力和预测效果，应首先注意自变量的选择，其准则是： (1)自变量对因变量必须有显著的影响，并呈密切的线性相关； (2)自变量与因变量之间的线性相关必须是真实的，而不是形式上的； (3)自变量之彰应具有一定的互斥性，即自变量之彰的相关程度不应高于自变量与因变量之因的相关程度； (4)自变量应具有完整的统计数据，其预测值容易确定。 多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和()为最小的前提下，用最小二乘法求解参数。以二线性回归模型为例，求解回归参数的标准方程组为 解此方程可求得b0,b1,b2的数值。亦可用下列矩阵法求得
SPSS 10.0高级教程十二：多元线性回归与曲线拟合 回归分析是处理两个及两个以上变量间线性依存关系的统计方法。在医学领域中，此类问题很普遍，如人头发中某种金属元素的含量与血液中该元素的含量有关系，人的体表面积与身高、体重有关系；等等。回归分析就是用于说明这种依存变化的数学关系。 §10.1Linear过程 10.1.1 简单操作入门 调用此过程可完成二元或多元的线性回归分析。在多元线性回归分析中，用户还可根据需要，选用不同筛选自变量的方法（如：逐步法、向前法、向后法，等）。 例10.1：请分析在数据集Fat surfactant.sav中变量fat对变量spovl的大小有无影响？ 显然，在这里spovl是连续性变量，而fat是分类变量，我们可用用单因素方差分析来解决这个问题。但此处我们要采用和方差分析等价的分析方法--回归分析来解决它。 回归分析和方差分析都可以被归入广义线性模型中，因此他们在模型的定义、计算方法等许多方面都非常近似，下面大家很快就会看到。 这里spovl是模型中的因变量，根据回归模型的要求，它必须是正态分布的变量才可以，我们可以用直方图来大致看一下，可以看到基本服从正态，因此不再检验其正态性，继续往下做。 10.1.1.1 界面详解 在菜单中选择Regression==>liner，系统弹出线性回归对话框如下：
除了大家熟悉的内容以外，里面还出现了一些特色菜，让我们来一一品尝。 【Dependent框】 用于选入回归分析的应变量。 【Block按钮组】 由Previous和Next两个按钮组成，用于将下面Independent框中选入的自变量分组。由于多元回归分析中自变量的选入方式有前进、后退、逐步等方法，如果对不同的自变量选入的方法不同，则用该按钮组将自变量分组选入即可。下面的例子会讲解其用法。 【Independent框】 用于选入回归分析的自变量。
多元线性回归统计预测模型 摘要:本文以多元统计分析为理论基础，在对数据进行统计分析的基础上建立多元线性回归模型并对未知量作出预测,为相关决策提供依据和参考。重点介绍了模型中参数的估计和自变量的优化选择及简单应用举例。 关键词：统计学;线性回归;预测模型 一．引言 多元线性回归统计预测模型是以统计学为理论基础建立数学模型，研究一个随机变量Ｙ与两个或两个以上一般变量X 1,X ２，…,Xp 之间相依关系,利用现有数据,统计并分析，研究问题的变化规律，建立多元线性回归的统计预测模型,来预测未来的变化情况。它不仅能解决一些随机的数学问题,而且还可以通过建立适当的随机模型进而解决一些确定的数学问题,为相关决策提供依据和参考。 目前统计学与其他学科的相互渗透为统计学的应用开辟新的领域。并被广泛的应用在各门学科上,从物理和社会科学到人文科学，甚至被用来工业、农业、商业及政府部门。而多元线性回归是多元统计分析中的一个重要方法,被应用于众多自然科学领域的研究中。多元线性回归分析作为一种较为科学的方法,可以在获得影响因素的前提下，将定性问题定量化，确定各因素对主体问题的具体影响程度。 二.多元线性回归的基本理论 多元线性回归是多元统计分析中的一个重要方法，被广泛应用于众多自然科学领域的研究中。多元线性回归分析的基本任务包括:根据因变量与多个自变量的实际观测值建立因变量对多个自变量的多元线性回归方程；检验、分析各个自变量对因自变量的综合线性影响的显著性；检验、分析各个自变量对因变量的单纯线性影响的显著性，选择仅对因变量有显著线性影响的自变量，建立最优多元线性回归方程;评定各个自变量对因变量影响的相对重要性以及测定最优多元线性回归方程的偏离度等。由于多数的多元非线性回归问题都可以化为多元线性回归问题,所以这里仅讨论多元线性回归。许多非线性回归和多项式回归都可以化为多元线性回归来解决,因而多元线性回归分析有着广泛的应用。 2.1 多元线性回归模型的一般形式 设随机变量y 与一般变量12,, ,p x x x 线性回归模型为 01122...p p y x x x ββββε=+++++ （2.1） 模型中Ｙ为被解释变量(因变量）,而12,,,p x x x 是p 个可以精确测量并可控制的一般变 量，称为解释变量（自变量）。p ＝1时，(２.1)式即为一元线性回归模型，p 大于2时，(2.1)
多元线性回归模型 一、单项选择题 1.在由30n =的一组样本估计的、包含3个解释变量的线性回归模型中，计算得多重决定系数为0.8500，则调整后的多重决定系数为（ D ） A. 0.8603 B. 0.8389 C. 0.8655 D.0.8327 2.下列样本模型中，哪一个模型通常是无效的（B ） A. i C （消费）=500+0.8 i I （收入） B. d i Q （商品需求）=10+0.8i I （收入）+0.9i P （价格） C. s i Q （商品供给）=20+0.75i P （价格） D. i Y （产出量）=0.650.6i L （劳动）0.4 i K （资本） 3.用一组有30个观测值的样本估计模型01122t t t t y b b x b x u =+++后，在0.05的显著性水 平上对1 b 的显著性作t 检验，则1 b 显著地不等于零的条件是其统计量t 大于等于（ C ） A. )30(05.0t B. ) 28(025.0t C. ) 27(025.0t D. ) 28,1(025.0F 4.模型 t t t u x b b y ++=ln ln ln 10中，1b 的实际含义是（ B ） A.x 关于y 的弹性 B. y 关于x 的弹性 C. x 关于y 的边际倾向 D. y 关于x 的边际倾向 5、在多元线性回归模型中，若某个解释变量对其余解释变量的判定系数接近于１，则表明模型中存在（ C ） A.异方差性 B.序列相关 C.多重共线性 D.高拟合优度 6.线性回归模型01122......t t t k kt t y b b x b x b x u =+++++ 中，检验0:0(0,1,2,...) t H b i k ==时，所用的统计量 服从( C ) A.t(n-k+1) B.t(n-k-2) C.t(n-k-1) D.t(n-k+2)
matlab建立多元线性回归模型并进行显着性检验及预测问题 例子; x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]'; X=[ones(16,1) x]; 增加一个常数项Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]'; [b,bint,r,rint,stats]=regress(Y,X) 得结果：b = bint = stats = 即对应于b的置信区间分别为[，]、[,]; r2=, F=, p= p<, 可知回归模型y=+ 成立. 这个是一元的，如果是多元就增加X的行数！ function [beta_hat,Y_hat,stats]=regress(X,Y,alpha) % 多元线性回归(Y=Xβ+ε)MATLAB代码 %？ % 参数说明 % X：自变量矩阵，列为自变量，行为观测值 % Y：应变量矩阵，同X % alpha：置信度，[0 1]之间的任意数据 % beta_hat：回归系数 % Y_beata：回归目标值，使用Y-Y_hat来观测回归效果 % stats：结构体，具有如下字段 % =[fV,fH]，F检验相关参数，检验线性回归方程是否显着 % fV：F分布值，越大越好，线性回归方程越显着 % fH：0或1，0不显着；1显着(好) % =[tH,tV,tW]，T检验相关参数和区间估计，检验回归系数β是否与Y有显着线性关系 % tV：T分布值，beta_hat(i)绝对值越大,表示Xi对Y显着的线性作用% tH：0或1，0不显着；1显着 % tW：区间估计拒绝域，如果beta(i)在对应拒绝区间内，那么否认Xi对Y显着的线性作用 % =[T,U,Q,R]，回归中使用的重要参数 % T：总离差平方和，且满足T=Q+U % U：回归离差平方和 % Q：残差平方和 % R∈[0 1]：复相关系数，表征回归离差占总离差的百分比，越大越好% 举例说明 % 比如要拟合y=a+b*log(x1)+c*exp(x2)+d*x1*x2，注意一定要将原来方程线化% x1=rand(10,1)*10; % x2=rand(10,1)*10; % Y=5+8*log(x1)+*exp(x2)+*x1.*x2+rand(10,1); % 以上随即生成一组测试数据 % X=[ones(10,1) log(x1) exp(x2) x1.*x2]; % 将原来的方表达式化成Y=Xβ，注意最前面的1不要丢了
spss多元线性回归分析
作者: 日期:
SPSS多元线性回归分析试验 在科学研究中，我们会发现某些指标通常受到多个因素的影响，如血压值除了受年龄影响之外，还受到性别、体重、饮食习惯、吸烟情况等因素的影响，用方程定量描述一个因变量y与多个自变量x1、x2、x3 之间的线性依存关系，称为多元线性回归。 有学者认为血清中低密度脂蛋白增高是引起动脉硬化的一个重要原因。现测量30名怀疑患有动脉硬化的就诊患者的载脂蛋白A、载脂蛋白B、载脂蛋白E、载脂蛋白C、低密度脂蛋白中的胆固醇含量。资料如下表所示。求低密度脂蛋白中的胆固醇含量对载脂蛋白A、载脂蛋白E、载脂蛋白E、载脂蛋白C的线性回归方程。 表1 30名就诊患者资料表
spss数据处理步骤： (1)打开spss输入数据后，点击“分析”—“回归”—“线性”。然后将“低密度脂蛋白”选入因变量框，将“载脂蛋白A” “载脂蛋白E” “载脂蛋白E” “载脂蛋白C”依次选入自变量框。方法选为“逐步”。 (2)单击“统计量”选项，原有选项基础上选择“R方变化”。在残差中选“Durbin-Watson”，单击“继续”。
i [粘贴(E)] i ss (印11取消i L 帮助 (3)单击“绘制”，将“DEPENDNT ”选入“X2”中，将“*SRESID ”选入“Y 中，在标准残差图选项中选择“直方图”和“正态概率图”。单击“继续”。 S3 闵蠢墨fD): 制IK DEPEHDNT T ZPRED *ZF?ESID PRESID ?ADdPRED 怡尺匚SID 怡口穆 ESILJ 呵直方便(比 “正态槪率副曰 继续 将(3)，， 取卷 帮肋 銭性回归 册回归:圏 踰点1的1 厂产空所有制分團(巳 (4)单击“选项”，在原有选项的基础上单击“继续”，最后单击“确定”，就完 成了。
多元线性回归模型练习 一、单项选择题 1. 在由n =30的一组样本估计的、包含3个解释变量的线性回归模型中，计算 得 可决系数为0.8500，贝U 调整后的可决系数为（D ） A. 0.8603 B. 0.8389 C. 0.8655 D.0.8327 2. 用一组有30个观测值的样本估计模型 y t =b o ? b i x it b 2 X 2t U t 后，在0.05的 显著 性水平上对b l 的显著性作t 检验，则b l 显著地不等于零的条件是其统计量 t 大于等于（C ） A t o 』5（3O ） B t o.025 （28） C t o.o25（27） D F 0.025 （1,28） 3. 线性回归模型y t =b ° "旳+6x 21 + ............ +b k X kt +4中，检验 A H o ：b =0（i 二。，1,2 ，.*）时，所用的统计量 / ■■ ■X 服从（C ） A.t (n-k+1) B.t (n-k-2) C.t (n-k-1) D.t( n k+2) 4. 调整的可决系数 :与多元样本判定系数: ‘之间有如下关系（ D) R 2= n " R 2 R 2 =1 - n " R 2 A . n- k-1 B. n -k -1 R 2=1 - n " (1 R 2) R 2 =1 - n " (1-R 2 ) C n —k -1 D. n- k-1 5.对模型Y = B 0+ B 1X i + B 2X 2i + 卩 i 进行总体显著性F 检验，检验的零假设是 A ) A . B 1= B 2=0 B. B 1=0 C .B 2=0 D. B 0=0 或 B 1=0 6?设 k 为回归模型中的参数个数，n 为样本容量。则对多元线性回归方程进 行显著性检验时，所用的F 统计量可表示为（ B ） ESS （n-k ） 一k A. RSS （k-1） B . （1-R 2 ）/（n —k — 1 ） R 2 (n - k) C. (1 - R 2) '(k-1) 7.多元线性回归分析中（回归模型中的参数个数为 k ），调整后的可决系数 R 2与可决系数R 2之间的关系（ A ） n -1 R 2 =1 _（1 _R 2 ） ESS/(k-1) D. TSS (n-k)
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）
多元线性回归预测 在预测中，当预测对象y 受到多个因素m x x x ,,,21 影响时，如果各个影响因素j x （m j ,,2,1 =）与y 的相关关系可以同时近似地线性表示，这时则可以建立多元线性回归模型来进行分析和预测。 假定因变量y 与自变量),,2,1(m j x j =之间的关系可表示为 i mi m i i i x b x b x b b y ε+++++= 22110 （2-22） n i ,,2,1 =（样本序号） 其中0b 、j b ),,2,1(m j =——模型回归系数；i ε为除自变量j x ),,2,1(m j =的影响之外对i y 产生影响的随机变量，即随机误差。该结论基于以下的假设： 随机误差i ε的期望值为零，),,2,1(0)(n i E i ==ε； 方差的期望值为一常数2σ，),,2,1()(22n i E i ==σε； 各随机误差项是互不相关的，即协方差的数学期望值为零，0),(=j i E εε ),,,2,1,(j i n j i ≠= 当以上假设得到满足时，式（2-22）便称为多元线性回归预测模型，这时可写成 ),,2,1(?22110n i x b x b x b b y mi m i i i =?++++= （2-23） 和一元线性回归预测模型一样，多元线性回归预测模型建立时也采用最小二 二乘法估计模型参数，但具体估计时有二种算法，分述如下。 一、多元线性回归预测模型的一般算法 1．建立模型 改写式（2-22） 得 ),,2,1(?n i y y i i i =-=ε 方差和Q 为
2 1 221102212 )()?(mi m n i i i i n i i i n i i x b x b x b b y y y Q -----=-==∑∑∑=== ε 根据最小二乘法原理，欲估计参数),,2,1(m i b i =，要满足条件： ?????? ?????=------=??=------=??=------=??0)(Σ20)(Σ20)(Σ2221102211011 221100mi m i i i mi m mi m i i i i mi m i i i x b x b x b b y x b Q x b x b x b b y x b Q x b x b x b b y b Q 整理上式可得到： ?? ???? ?=++++=++++=++++i mi mi m i mi i mi mi i i mi i m i i t i i mi m i i y x x b x x b x x b x b y x x x b x x b x b x b y x b x b x b nb ΣΣΣΣΣΣΣΣΣΣΣΣΣΣ222110112122 111022,110 而对于各变量的样本平均值，其误差平方和为： ??? ? ? ? ??? -=--==--==∑∑∑===n i i yy n i i j ji yj jy n i k ki j ji kj jk y y s y y x x s s x x x x s s 12 11 ) ())(() )(( （2-25） ),,2,1,(k k j = 式中 ∑==n i ji j x n x 1 1 ∑==n i i y n y 1 1 利用（2-24）式，将方程组（2-25）可改写为
matlab建立多元线性回归模型并进行显著性检 验及预测问题 例子; x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]'; X=[ones(16,1) x]; 增加一个常数项 Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]'; [b,bint,r,rint,stats]=regress(Y,X) 得结果：b = bint = stats = 即对应于b的置信区间分别为[，]、[,]; r2=, F=, p= p<, 可知回 归模型 y=+ 成立. 这个是一元的，如果是多元就增加X的行数！ function [beta_hat,Y_hat,stats]=regress(X,Y,alpha) % 多元线性回归(Y=Xβ+ε)MATLAB代码 % % 参数说明 % X：自变量矩阵，列为自变量，行为观测值 % Y：应变量矩阵，同X % alpha：置信度，[0 1]之间的任意数据 % beta_hat：回归系数 % Y_beata：回归目标值，使用Y-Y_hat来观测回归效果 % stats：结构体，具有如下字段 % =[fV,fH]，F检验相关参数，检验线性回归方程是否显著 % fV：F分布值，越大越好，线性回归方程 越显著 % fH：0或1，0不显著；1显著(好) % =[tH,tV,tW]，T检验相关参数和区间估计，检验回归系数β是 否与Y有显著线性关系 % tV：T分布值，beta_hat(i)绝对值越大, 表示Xi对Y显著的线性作用 % tH：0或1，0不显著；1显著 % tW：区间估计拒绝域，如果beta(i)在对 应拒绝区间内，那么否认Xi对Y显著的线性作用 % =[T,U,Q,R]，回归中使用的重要参数 % T：总离差平方和，且满足T=Q+U % U：回归离差平方和 % Q：残差平方和 % R∈[0 1]：复相关系数，表征回归离差占总 离差的百分比，越大越好 % 举例说明 % 比如要拟合 y=a+b*log(x1)+c*exp(x2)+d*x1*x2，注意一定要将原来方程 线化 % x1=rand(10,1)*10;
作业： 在农作物害虫发生趋势的预报研究中,所涉及的5个自变量及因 变量的10组观测数据如下,试建立y对x1-x5的回归模型，指出那些变量对y有显著的线性贡献，贡献大小顺序。 x1 x2 x3 x4 x5 y 9.200 2.732 1.471 0.332 1.138 1.155 9.100 3.732 1.820 0.112 0.828 1.146 8.600 4.882 1.872 0.383 2.131 1.841 10.233 3.968 1.587 0.181 1.349 1.356 5.600 3.732 1.841 0.297 1.815 0.863 5.367 4.236 1.873 0.063 1.352 0.903 6.133 3.146 1.987 0.280 1.647 0.114 8.200 4.646 1.615 0.379 4.565 0.898 8.800 4.378 1.543 0.744 2.073 1.930 7.600 3.864 1.599 0.342 2.423 1.104 （！）回归性方程显著性检验： 由Analysis of variance 表可知，其 r F P 的值0.0170小于0.05，则1 y x 与、2 x3x4x、5x之间具有显著性相关性；由R-square的值为0.9356可知该方程的拟合度高，（2）参数显著性检验：
a.由Parameter Estimates 表可知，对自变量x1。t 检验值为t=1.06,Pr t >的值等于 0.3479，大于0.05，故x1的系数为0，即x1未通过检验，去掉x1，再次运行程序。 b.结果表明所有变量的系数均通过检验，得到线性模型。 （3）拟合区间。 2350.75463 1.999640.33313 2.24781y x x x =--+ 故对y 有显著的线性贡献大小顺序为 325 x x x >>。 附件： data ex; input x1-x5 y@@; cards ; 9.200 2.732 1.471 0.332 1.138 1.155 9.100 3.732 1.820 0.112 0.828 1.146 8.600 4.882 1.872 0.383 2.131 1.841 10.233 3.968 1.587 0.181 1.349 1.356 5.600 3.732 1.841 0.297 1.815 0.863 5.367 4.236 1.873 0.063 1.352 0.903 6.133 3.146 1.987 0.280 1.647 0.114 8.200 4.646 1.615 0.379 4.565 0.898 8.800 4.378 1.543 0.744 2.073 1.930
企业销售额影响因素分析及回归模型学号：1003131014 姓名：李绍林班级：10级人力资源管理 一、问题提出 （一）研究问题： 随着市场经济的进一步发展，也加剧了企业在市场运行中的不确定性，如何在复杂多变的市场中占据主导，如何在经济流通的过程中，充分利用各种有利的因素，来确保企业销售额的增长，如何控制经济流通中的各项开支，如何组合来服务于企业销售额的增长。因此，在这里通过分析某家公司的企业销售状况，试图研究影响企业销售额的各因素及其之间的关系，建立企业销售额及其因素的回归模型，并进行经济分析。（二）数据来源 某企业开支与销售额关系表：
二、定性分析 为了研究企业销售额的影响因素，我们对相关数据进行简单的定性分析，并各因素同因变量的相关关系做了一个简单的预测。 个人可支配收入反映一个地区或市场上消费者的购买能力，单独来看，应与企业的销售额呈正相关关系，即企业产品的目标市场群体的个人可支配收入起高，企业所能获得的销售额也会相应提高。 商业回扣是企业为了改善销售商之间的关系，同时加强同销售商之间的合作，通过商业回扣的方式来吸引销售商，商业回扣作为企业的一个重要的营销策略，这也会减少企业的利润，商业回扣作为影响企业销售额的重要因素，商业回扣投入情况同企业的销售额多少有一定的关系。 商品价格能够通过企业产品的需求来影响企业的销售量，两者共同作用于企业的销售额，是影响企业销售额的一个关系因子。如何制定价格策略来提高企业的销售额，具有重要的现实意义。 研究与发展经费反映企业的研发能力和对市场的捕捉能力，能够适应市场需求来适应开发新的产品，不断开拓新的市场，提高产品的质量和水平，这能够为企业的扩大市场份额和企业销售额的提高。 广告费用是企业为了对产品进行推广和让消费者更好地了解产品和创造需求，引导消费者的购买欲望，同时有利于树立产品和企业的形象。当然广告费用的支出也是影响企业销售额的一个重要因子。 销售费用是企业为了产品的销售在产品的流通和销售过程中发生的一系列费用的总和，其与企业的销售额有一定的关系。 因此，我们选择企业的销售额作为被解释变量y ，选取个人可支配收入、商业回扣、商品价格、研究与发展经费、广告费、销售费作为解释变量，分别设其为x1、x2、x3、x4、x5、x6 。 三、相关分析 （一）数据基本描述 Descriptive Statistics
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。
多元线性回归分析模型 企业销售额影响因素分析及回归模型 学号:1003131014 姓名:李绍林班级:10级人力资源管理 一、问题提出 (一) 研究问题: 随着市场经济的进一步发展，也加剧了企业在市场运行中的不确定性，如何在复杂多变的市场中占据主导，如何在经济流通的过程中，充分利用各种有利的因素，来确保企业销售额的增长，如何控制经济流通中的各项开支，如何组合来服务于企业销售额的增长。因此，在这里通过分析某家公司的企业销售状况，试图研究影响企业销售额的各因素及其之间的关系，建立企业销售额及其因素的回归模型，并进行经济分析。 (二) 数据来源 某企业开支与销售额关系表: 序号个人可支配商业回商品价研究与发展广告费销售费年销售额 收入(X1) 扣(X2) 格(X3) 经费(X4) (X5) (X6) (Y) 1 328 123 77.14 19.60 87.51 210.60 4787.36 2 412 149 78.2 3 35.7 4 26.49 258.0 5 4647.01 3 417 120 80.6 4 34.92 83.18 257.40 5512.13 4 418 13 5 78.59 34.69 74.47 269.75 5035.62 5 429 125 74.1 6 11.3 7 83.29 217.75 5095.48 6 441 120 79.85 15.50 50.05 267.15 4800.97 7 455 126 77.93 21.59 94.63 232.70 5315.63 8 461 132 82.28 26.54 91.22 266.50 5272.21 9 462 112 73.20 14.84 92.51 282.75 5711.86