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：
通过“二次”和“S“ 两个模型的对比，可以看出S 模型的拟合度明显高于“二次”模型的拟合度（0.912 >0.900）不过，几乎接近
接着，我们采用S 模型，得到如下所示的结果：
结果分析：
1：从ANOVA表中可以看出：总体误差= 回归平方和 + 残差平方和（共计：0.782）F统计量为（240.216）显著性SIG为（0.000）由于0.000<0.01 （所以具备显著性，方差齐性相等）
2：从“系数”表中可以看出：在未标准化的情况下，系数为（-0.986）常数项
为2.672
所以 S 型曲线的表达式为：Y（销售量）=e^(b0+b1/t) = e^(2.672-0.986/广告费用）
当数据通过标准化处理后，常数项被剔除了，所以标准化的S型表达式为：Y(销售量） = e^(-0.957/广告费用）
下面，我们直接采用“非线性”模型来进行操作
第一步：确定“非线性模型”
从绘图中可以看出：广告费用在1千万——4千多万的时候，销售量增加的跨度较大，当广告费用超过“4千多万"的时候，增加幅度较小，在达到6千多万”达到顶峰，之后呈现下降趋势。
从图形可以看出：它符合The asymptotic regression model (渐近回归模型)表达式为：Y(销售量）= b1 + b2*e∧b3*(广告费用）
当b1>0, b2<0, and b3<0,时，它符合效益递减规律，我们称之为：Mistcherlich's model
第二步：确定各参数的初始值
1：b1参数值的确定，从表达式可以看出：随着”广告费用“的增加，销售量也会增加，最后达到一个峰值，由于：b2<0, b3<0 ，随着广告费用的增加：
b2*e∧b3*(广告费用）会逐渐趋向于“0”而此时 Y(销售量）将接近于 b1值，从上图可以看出：Y(销售量）的最大值为12点多，接近13，所以，我们设定b1的初始值为13
2：b2参数值确定：当Y(销售量）最小时，此时应该广告费用最小，基本等于“0”，可以得出：b1+b2= Y(销售量）此时Y销售量最小，从图中可以看出：第一个值为6.7左右，接近7这个值，所以：b2=7-13=-6
3: b3参数值确定：可以用图中两个分离点的斜率来确定b3的值，例如取
（x1=2.29,y1=8.71) 和（ x2=5.75, y2=12.74) 通过公式 y2-y1/x2-x1=1.16，（此处可以去整数估计值来算b3的值）
确定参数初始值和参数范围的方法如下所示：
1：通过图形确定参数的取值范围，然后在这个范围里选择初始值。
2：根据非线性方程的数学特性进行某些变换后，再通过图形帮助判断初始值的范围。
3：先使用固定的数代替某些参数，以此来确定其它参数的取值范围。
4：通过变量转换，使用线性回归模型来估计参数的初始值
第三步：建立模型表达式和选择损失函数
点击“分析”—回归——非线性，进入如下所示界面：
如上图中，点击参数，分别添加b1,b2,b3进入参数框内，在模型表达式中输入：b1 + b2*Exp(b3*广告费用）（步骤为：选择“函数组”—算术——Exp函数），将“销售量”变量拖入“因变量”框内
“损失函数”默认选项为“残差平方和” 如果有特需要求，可以自行定义
点击“约束”进入如下所示的界面：
点击“继续”按钮，此时会弹出警告信息，提示用户是否接受建议, 建议内容为：将采用序列二次编程进行参数估计，点击确定，接受建议即可
参数的取值范围指在迭代过程中，将参数限制在有意义的范围区间内，提供两种对参数范围约束的方法：
1：线性约束，在约束表达式里只有对参数的线性运算
2：非线性约束，在约束表达式里，至少有一个参数与其它参数进行了乘，除运算，或者自身的幂运算
在“保存”选项中，勾选“预测值”和“残差”即可，点击继续
点击“选项”得到如下所示的界面：
此处的“估计方法”选择“序列二次编程”的方法，此方法主要利用的是双重迭代法进行求解，每一步迭代都建立一个二次规划算法，以此确定优化的方向，把估计参数不断的带入损失函数进行求值运算，直到满足指定的收敛条件为止
点击继续，再点击“确定”得到如下所示的结果：
上图结果分析：
1：从“迭代历史记录”表中可以看出：迭代了17次后，迭代被终止，已经找到最优解
此方法是不断地将“参数估计值”代入”损失函数“求解，而损失函数采用的是”残差平方和“最小，在迭代17次后，残差平方和达到最小值，最小值为（6.778）此时找到最优解，迭代终止
2：从参数估计值”表中可以看出：
b1= 12.904 （标准误为0.610，比较小，说明此估计值的置信度较
高） b2=-11.268 （标准误为：1.5881，有点大，说明此估计值的置信度不太高） b3=-0.496（标准误为：0.138，很小，说明此估计值的置信度很高）
非线性模型表达式为：Y(销售量）= 12.904-11.268*e^(-0.496*广告费用）
3：从“参数估计值的相关性”表中可以看出：b1 和 b3的相关性较强，b2和b1或b3的相关性都相对弱一些，其中b1和b2的相关性最弱
4：从anova表中可以看出：R方 = 1- （残差平方和）/（已更正的平方和） = 0.909，拟合度为0.909，说明此模型能够解释90多的变异，拟合度已经很高了
前面已经提到过，S行曲线的拟合度更高，为（0.916）那到底哪个更合适呢？如果您的数据样本容量够大，我想应该是“非线性模型”的拟合度会更高！
其实想想，我们是否可以将“非线性”转换为“线性”后，再利用线性模型进行分析了？后期有时间的话，将还是以本例为说明，如何将“非线性”转换为“线性”后进行分析！！
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：
一元线性回归模型案例分析 一、研究的目的要求 居民消费在社会经济的持续发展中有着重要的作用。居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。改革开放以来随着中国经济的快速发展，人民生活水平不断提高，居民的消费水平也不断增长。但是在看到这个整体趋势的同时，还应看到全国各地区经济发展速度不同，居民消费水平也有明显差异。例如，2002年全国城市居民家庭平均每人每年消费支出为6029.88元, 最低的黑龙江省仅为人均4462.08元，最高的上海市达人均10464元，上海是黑龙江的2.35倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，居民的收入水平、就业状况、零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。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，可以建立相应的计量经济模型去研究。 二、模型设定 我们研究的对象是各地区居民消费的差异。居民消费可分为城市居民消费和农村居民消费，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，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城市居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。所以模型的被解释变量Y 选定为“城市居民每人每年的平均消费支出”。 因为研究的目的是各地区城市居民消费的差异，并不是城市居民消费在不同时间的变动，所以应选择同一时期各地区城市居民的消费支出来建立模型。因此建立的是2002年截面数据模型。 影响各地区城市居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。为了与“城市居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。 从2002年《中国统计年鉴》中得到表2.5的数据: 表2.52002年中国各地区城市居民人均年消费支出和可支配收入
利用S P S S拟合非线性回归模型
利用SPSS拟合非线性回归模型 ——以S型曲线为例 1.原始数据 下表给出了某地区1971—2000年的人口数据（表1）。试用SPSS软件对该地区的人口变化进行曲线拟合，并对今后10年的人口发展情况进行预测。 表1 某地区人口变化数据 年份时间变量t=年份-1970 人口y/人 1971133 815 1972233 981 1973334 004 1974434 165 1975534 212 1976634 327 1977734 344 1978834 458 1979934 498 19801034 476 19811134 483 19821234 488 19831334 513 19841434 497 19851534 511 19861634 520 19871734 507 19881834 509 19891934 521 19902034 513 19912134 515 19922234 517 19932334 519 19942434 519 19952534 521 19962634 521 19972734 523
1998 28 34 525 1999 29 34 525 2000 30 34 527 根据上表中的数据，做出散点图，见图1。 , 33700 33800 3390034000341003420034300 3440034500346001970197219741976197819801982198419861988199019921994199619982000 年份 人口 图1 某地区人口随时间变化的散点图 从图1可以看出，人口随时间的变化呈非线性过程，而且存在一个与横坐标轴平行的渐近线，近似S 曲线。 下面，我们用SPSS 软件进行非线性回归分析拟合计算。 2．用SPSS 进行回归分析拟合计算 在SPSS 中可以直接进行非线性拟合，步骤如下（假定已经进行了数据输入，关于数据输入方法见SPSS 相关基础 教程）：
多元线性回归模型案例分析 ——中国人口自然增长分析一·研究目的要求 中国从1971年开始全面开展了计划生育,使中国总和生育率很快从1970年的降到1980年,接近世代更替水平。此后，人口自然增长率（即人口的生育率）很大程度上与经济的发展等各方面的因素相联系，与经济生活息息相关，为了研究此后影响中国人口自然增长的主要原因，分析全国人口增长规律，与猜测中国未来的增长趋势，需要建立计量经济学模型。 影响中国人口自然增长率的因素有很多，但据分析主要因素可能有：（1）从宏观经济上看，经济整体增长是人口自然增长的基本源泉；（2）居民消费水平，它的高低可能会间接影响人口增长率。(3)文化程度，由于教育年限的高低，相应会转变人的传统观念，可能会间接影响人口自然增长率（4）人口分布，非农业与农业人口的比率也会对人口增长率有相应的影响。 二·模型设定 为了全面反映中国“人口自然增长率”的全貌，选择人口增长率作为被解释变量，以反映中国人口的增长；选择“国名收入”及“人均GDP”作为经济整体增长的代表；选择“居民消费价格指数增长率”作为居民消费水平的代表。暂不考虑文化程度及人口分布的影响。 从《中国统计年鉴》收集到以下数据（见表1）： 表1 中国人口增长率及相关数据
， 设定的线性回归模型为： 1222334t t t t t Y X X X u ββββ=++++ 三、估计参数 利用EViews 估计模型的参数，方法是： 1、建立工作文件：启动EViews ，点击File\New\Workfile ，在对 话框“Workfile Range ”。在“Workfile frequency ”中选择“Annual ” (年 年份 @ 人口自然增长率 （%。） 国民总收入 （亿元） 居民消费价格指数增长 率（CPI ）% 人均GDP （元） 1988 15037 1366 1989 … 17001 18 1519 1990 18718 1644 1991 【 21826 1893 1992 26937 2311 1993 . 35260 2998 1994 48108 4044 1995 — 59811 5046 1996 70142 5846 1997 ~ 78061 6420 1998 83024 6796 1999 【 88479 7159 2000 98000 7858 2001 [ 108068 8622 2002 119096 9398 2003 ： 135174 10542 2004 159587 12336 2005 、 184089 14040 2006 213132 16024
案例分析报告 （2014——2015学年第一学期） 课程名称：预测与决策 专业班级：电子商务1202 学号： 2204120202 学生姓名：陈维维 2014 年 11月 案例分析（一元线性回归模型） 我国城镇居民家庭人均消费支出预测 一、研究目的与要求 居民消费在社会经济的持续发展中有着重要的作用，居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。从理论角度讲，消费需求的具体内容主要体现在消费结构上，要增加居民消费，就要从研究居民消费结构入手，只有了解居民消费结构变化的趋势和规律，掌握消费需求的热点和发展方向，才能为消费者提供良好的政策环境，引导消费者合理扩大消费，才能促进产业结构调整与消费结构优化升级相协调，才能推动国民经济平稳、健康发展。例如，2008年全国城镇居民家庭平均每人每年消费支出为11242.85元，?最低的青海省仅为人均8192.56元，最高的上海市达人均19397.89元，上海是黑龙江的2.37倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。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，可以建立相应的计量经济模型去研究。 二、模型设定?
我研究的对象是各地区居民消费的差异。居民消费可分为城镇居民消费和农村居民消费，由于各地区的城镇与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城镇居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。 所以模型的被解释变量Y选定为“城镇居民每人每年的平均消费支出”。 因为研究的目的是各地区城镇居民消费的差异，并不是城镇居民消费在不同时间的变动，所以应选择同一时期各地区城镇居民的消费支出来建立模型。因此建立的是2008年截面数据模型。影响各地区城镇居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。 为了与“城镇居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。 以下是2008年各地区城镇居民人均年消费支出和可支配收入表
实验7 相关与回归分析 7.1实验目的 熟练掌握一元线性回归分析的SPSS应用技能，掌握一元非线性回归分析的SPSS应用技能，对实验结果做出解释。 7.2相关知识（略） 7.3实验内容 7.3.1一元线性回归分析的SPSS实验 7.3.2一元非线性回归分析的SPSS实验 7.4实验要求 7.4.1准备实验数据 1.线性回归分析数据 （The Wall 美国各航空公司业绩的统计数据公布在《华尔街日报1999年年鉴》 Street Journal Almanac 1999）上。航班正点到达的比率和每10万名乘客投诉 的次数的数据，见表7-1所示。 表7-1 美国航空公司航空正点率与乘客投诉次数资料 2.非线性回归分析数据 1992～2013年某国保费收入与国内生产总值的数据，试研究保费收入与国内生产
总值的关系的数据，见表7-2所示。 表7-2 1992～2013年某国保费收入与国内生产总值数据 单位：万元 7.4.2完成一元线性回归分析的SPSS 实验，对实验结果作出简要分析。 7.4.3完成一元非线性回归分析的SPSS 实验，对实验结果作出简要分析。 7.5实验步骤 7.5.1 完成一元线性回归分析的SPSS 实验步骤 1.运用SPSS 绘制散点图散点图。 第一步：在excel 中输入数据 图7-1 第二步：将excel 数据导入spss 单击打开数据文档按钮（或选择菜单文件→打开）→选择文件航空公司航班
正点率与投诉率.xls 图7-2 第三步：选择菜单图形→旧对话框→散点/点状，在散点图/点图对话框中， 选择简单分布按钮 图7-3 第三步：在简单散点图对话框中，将候选变量框中的投诉率添加到Y轴，航班正点率添加到X轴，点击确定：
我国农民收入影响因素的回归分析 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,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。?农民收入水平的度量常采用人均纯收入指标。影响农民收入增长的因素是多方面的，既有结构性矛盾因素，又有体制性障碍因素。但可以归纳为以下几个方面：一是农产品收购价格水平。二是农业剩余劳动力转移水平。三是城市化、工业化水平。四是农业产业结构状况。五是农业投入水平。考虑到复杂性和可行性，所以对农业投入与农民收入，本文暂不作讨论。因此，以全国为例，把农民收入与各影响因素关系进行线性回归分析，并建立数学模型。 一、计量经济模型分析 (一)、数据搜集 根据以上分析，我们在影响农民收入因素中引入7个解释变量。即：2x -财政用于农业的支出的比重，3x -第二、三产业从业人数占全社会从业人数的比重，4x -非农村人口比重，5x -乡村从业人员占农村人口的比重，6x -农业总产值占农林牧总产值的比重，7x -农作物播种面积，8x —农村用电量。
资料来源《中国统计年鉴2006》。 (二)、计量经济学模型建立 我们设定模型为下面所示的形式： 利用Eviews 软件进行最小二乘估计，估计结果如下表所示： DependentVariable:Y Method:LeastSquares Sample: Includedobservations:19 Variable Coefficient t-Statistic Prob. C X1 X3 X4 X5 X6 X7 X8 R-squared Meandependentvar AdjustedR-squared 表1最小二乘估计结果 回归分析报告为： () ()()()()()()()()()()()()()()() 2345678 2? -1102.373-6.6354X +18.2294X +2.4300X -16.2374X -2.1552X +0.0100X +0.0634X 375.83 3.7813 2.066618.37034 5.8941 2.77080.002330.02128 -2.933 1.7558.820900.20316 2.7550.778 4.27881 2.97930.99582i Y SE t R ===---=230.99316519 1.99327374.66 R Df DW F ====二、计量经济学检验 (一)、多重共线性的检验及修正 ①、检验多重共线性 (a)、直观法 从“表1最小二乘估计结果”中可以看出，虽然模型的整体拟合的很好，但是x4x6
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。
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
| 数据来源：《中国统计年鉴》2010年 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 — 模型 R R方调整R方标准估计的误差 - 1 .965a.932.930 ~ a.预测变量:(常量),可支配收入X（元）。 b.因变量:消费性支出Y(元) 表3 相关性 、 消费性支出Y (元) 可支配收入X（元） Pearson相关 性消费性支出Y(元)& .965 ！ 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
实验三非线性回归分析（2学时） 一、实验重点 掌握非线性回归分析的方法。 二、实验难点 模型的选择及对SPSS软件的输出结果进行分析和整理。 三、实验举例 例1、对GDP（国内生产总值）的拟合。选取GDP指标为因变量，单位为亿元，拟合GDP关于时间t的趋势曲线。以1981年为基准年，取值为t=1,1998年t=18,1991-1998年的数据如下： 解：分析过程 （一）画散点图
图3.1：Y 与t 的散点图 图3.2：Ln Y 与t 的散点图 （二）根据画散点图，及经济背景可选用模型 复合函数： 01t y b b = （也称增长模型或半对数模型） 同时，做简单线性回归 01y b b t =+ 以作比较。 （三）模型求解 直接用SPSS 软件的Curve Estimation 命令计算。（也可以用线性化的方法求解，结果基本一致。） 运行结果如下：
（四）结果分析 线性回归方程：2?133754417.520.856 y t R =-+= 复合函数回归方程： ?3603.06(1.1924)t y = ………（*） 2?ln 8.190.1760.992y t R =+= 注意：不能直接比较两模型的拟合优度，需要对复合函数模型处理，利用(*)式，得到复合函数的残差，计算该模型的残差平方和RSS=2.1696×108 ，并计算y 的离差平方和TSS=1.1×1010 ，得到非线性回归的相关指数 82 10 2.169610110.981.110 RSS R TSS ?=-=-≈? 由于该相关指数大于线性回归的拟合优度，所以可以判断复合函数模型比线性回归模型要好。 例2 、一位药物学家是用下面的非线性模型对药物反应拟合回归模型 1 02 1() i i c i c y c u c =- ++ 其中，自变量x 为药剂量，用级别表示； 因变量y 为药物反应程度，用百分 数表示。三个参数c 0 ,c 1 ,c 2都是非负的, c 0 的上限是100%，三个参数的初始值取为c 0 =100,c 1=5 ,c 2=4.8.测得9个数据如下表： 解： 分析过程： （一）画散点图
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：
第六章回归分析 一、基本概念 变量之间的联系可以分为两类： 1．一类是确定性的关系 确定型的关系是指某一个或某几个现象的变动必然会引起另一个现象确定的变动，它们之间的关系可以使用数学函数式确切地表达出来，即函数关系y=f(x)。 2．另一类是非确定关系 称为统计关系或相关关系。 3．回归分析和相关分析的区别 区别主要是模型的假设以及研究的目的有所不同。在模型的假设方面，大致可分为两类： （1）第一类是两个变量一个是非随机变量，而另一个是随机变量。 （2）第二类是两个变量都是不能控制的随机变量，形成一个二维分布。统计学中把前者的分析称为回归分析，把后者的分析称为相关分析。 概括地说,线性回归分析是处理两个或两个以上变量间线性依存关系的统计方法。 二、SPSS提供了丰富的回归分析，内容分为以下几种: Linear: 线性回归分析 Curve Estimation: 曲线拟合估计 Binary Logistic:二维logistic回归分析
Multinomial Logistic:多维logistic回归分析 Ordinal: Ordinal回归分析 Probit:概率单位回归分析 Nonline:非线性回归分析 Weight Estimation:加权估测分析 2-Stage least Squares:两阶最小二乘法分析 本章主要介绍Linear Regression线性回归分析，它包括一元线性回归和多元线性回归，其他不做要求。 第一节一元线性回归 一、一元线性回归模型及假设 一元线性回归模型是两个变量之间的关系可以通过有关的参数直接用直线关系来表达，其模型是: Yi=a+bXi+εi 式中：Yi表示变量Y在总体中的某一个具体的观察值; Xi表示在研究总体中相应的另一个变量的x的具体观察数值; a与b是参数，分别称为回归常数和回归系数; εi是一个随机变量，其均值为0，方差为σ2。 对一元线性回归模型做出以下的几点假设: 1.Xi为一自变量，是预先确定的，因而是一个非随机变量。 2．当确定某一个Xi时，相应的Y就有许多Yi与之对应。Yi是一个随机变量，这些Yi构成一个在X取值为Xi条件下的条件分布，并假设其服从正态分布。
多元线性回归模型的案 例讲解 Document number：NOCG-YUNOO-BUYTT-UU986-1986UT
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 397 1992 911 1981 413 1993 931 1982 439 1994 1021 1983 459 1995 1165 1984 492 1996 1349 1985 528 1997 1449 1986 560 1998 1575 1987 624 1999 1759 1988 666 2000 1994 1989 717 2001 2258 1990 768 2002 2478 1991 843 （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：
所以，回归方程为： 123ln 0.73150.3463ln 0.5021ln 0.1469ln 0.0872ln Y X P P P =-+-++ 由上述回归结果可以知道，鸡肉消费需求受家庭收入水平和鸡肉价格的影响，而牛肉价格和猪肉价格对鸡肉消费需求的影响并不显着。 验证猪肉价格和鸡肉价格是否有影响，可以通过赤池准则（AIC ）和施瓦茨准则（SC ）。若AIC 值或SC 值增加了，就应该去掉该解释变量。 去掉猪肉价格P 2与牛肉价格P 3重新进行回归分析，结果如下： Variable Coefficient Std. Error t-Statistic Prob.?? C LOG(X) LOG(P1) R-squared ????Mean dependent var Adjusted R-squared ????. dependent var . of regression ????Akaike info criterion Sum squared resid ????Schwarz criterion Log likelihood ????F-statistic Durbin-Watson stat ????Prob(F-statistic)
《数据分析实务与案例实验报告》 曲线估计 学号：2614 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： 123y x x x βγδαε= 其中α，β，γ，δ 都是未知参数，ε是乘积随机误差。对上式两边取自然对数得到 123ln ln ln ln ln ln y x x x αβγδε=++++ 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2ln (0,)n N I εδ: ， 而不是2n N I εδ:（0，） ,因此检验之前，要先检验ln ε 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
利用SPSS拟合非线性回归模型 ——以S型曲线为例 1.原始数据 下表给出了某地区1971—2000年的人口数据（表1）。试用SPSS软件对该地区的人口变化进行曲线拟合，并对今后10年的人口发展情况进行预测。 表1 某地区人口变化数据 年份时间变量t=年份-1970人口y/人 1971133 815 1972233 981 1973334 004 1974434 165 1975534 212 1976634 327 1977734 344 1978834 458 1979934 498 19801034 476 19811134 483 19821234 488 19831334 513 19841434 497 19851534 511 19861634 520 19871734 507 19881834 509 19891934 521 19902034 513 19912134 515 19922234 517 19932334 519 19942434 519 19952534 521 19962634 521
1997 27 34 523 1998 28 34 525 1999 29 34 525 2000 30 34 527 根据上表中的数据，做出散点图，见图1。, 33700 3380033900340003410034200343003440034500346001970197219741976197819801982198419861988199019921994199619982000 年份 人口 图1 某地区人口随时间变化的散点图 从图1可以看出，人口随时间的变化呈非线性过程，而且存在一个与横坐标轴平行的渐近线，近似S 曲线。 下面，我们用SPSS 软件进行非线性回归分析拟合计算。 2．用SPSS 进行回归分析拟合计算 在SPSS 中可以直接进行非线性拟合，步骤如下（假定已经进行了数据输入，关于数据输入方法见SPSS 相关基础 教程）： Analysis->Regression->Cubic,在弹出的对话框（见图一）中选择拟合的变量和自变量，本例分别选择y （人口），t （时间变量）为变量（Dependent ）和自变
一般线性回归分析案例 1、案例 为了研究钙、铁、铜等人体必需元素对婴幼儿身体健康的影响，随机抽取了30个观测数据，基于多员线性回归分析的理论方法，对儿童体内几种必需元素与血红蛋白浓度的关系进行分析研究。这里，被解释变量为血红蛋白浓度（y）,解释变量为钙(ca)、铁(fe)、铜(cu)。 表一血红蛋白与钙、铁、铜必需元素含量 (血红蛋白单位为g；钙、铁、铜元素单位为ug) case y（g）ca fe cu 1 7.00 76.90 295.30 0.840 2 7.25 73.99 313.00 1.154 3 7.75 66.50 350.40 0.700 4 8.00 55.99 284.00 1.400 5 8.25 65.49 313.00 1.034 6 8.25 50.40 293.00 1.044 7 8.50 53.76 293.10 1.322 8 8.75 60.99 260.00 1.197 9 8.75 50.00 331.21 0.900 10 9.25 52.34 388.60 1.023 11 9.50 52.30 326.40 0.823 12 9.75 49.15 343.00 0.926 13 10.00 63.43 384.48 0.869 14 10.25 70.16 410.00 1.190 15 10.50 55.33 446.00 1.192 16 10.75 72.46 440.01 1.210 17 11.00 69.76 420.06 1.361 18 11.25 60.34 383.31 0.915 19 11.50 61.45 449.01 1.380 20 11.75 55.10 406.02 1.300 21 12.00 61.42 395.68 1.142 22 12.25 87.35 454.26 1.771 23 12.50 55.08 450.06 1.012 24 12.75 45.02 410.63 0.899 25 13.00 73.52 470.12 1.652 26 13.25 63.43 446.58 1.230 27 13.50 55.21 451.02 1.018 28 13.75 54.16 453.00 1.220 29 14.00 65.00 471.12 1.218 30 14.25 65.00 458.00 1.000
案例分析一元线性回归 模型 Revised as of 23 November 2020
案例分析报告 （2014——2015学年第一学期） 课程名称：预测与决策 专业班级：电子商务1202 学号： 02 学生姓名：陈维维 2014 年 11月 案例分析（一元线性回归模型） 我国城镇居民家庭人均消费支出预测 一、研究目的与要求 居民消费在社会经济的持续发展中有着重要的作用，居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。从理论角度讲，消费需求的具体内容主要体现在消费结构上，要增加居民消费，就要从研究居民消费结构入手，只有了解居民消费结构变化的趋势和规律，掌握消费需求的热点和发展方向，才能为消费者提供良好的政策环境，引导消费者合理扩大消费，才能促进产业结构调整与消费结构优化升级相协调，才能推动国民经济平稳、健康发展。例如，2008年全国城镇居民家庭平均每人每年消费支出为元，最低的青海省仅为人均元，最高的上海市达人均元，上海是黑龙江的倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。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，可以建立相应的计量经济模型去研究。 二、模型设定
我研究的对象是各地区居民消费的差异。居民消费可分为城镇居民消费和农村居民消费，由于各地区的城镇与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城镇居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。 所以模型的被解释变量Y选定为“城镇居民每人每年的平均消费支出”。 因为研究的目的是各地区城镇居民消费的差异，并不是城镇居民消费在不同时间的变动，所以应选择同一时期各地区城镇居民的消费支出来建立模型。因此建立的是2008年截面数据模型。影响各地区城镇居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。 为了与“城镇居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。 以下是2008年各地区城镇居民人均年消费支出和可支配收入表
实验六用SPSS进行非线性回归分析 例:通过对比12个同类企业得月产量(万台)与单位成本（元)得资料(如图1）,试配合适当得回归模型分析月产量与单位成本之间得关系
图１原始数据与散点图分析 一、散点图分析与初始模型选择 在SPＳS数据窗口中输入数据,然后插入散点图(选择Grａphs→Sｃatter命令),由散点图可以瞧出，该数据配合线性模型、指数模型、对数模型与幂函数模型都比较合适。进一步进行曲线估计:从Ｓｔａtisｔiｃ下选Ｒegｒｅｓsｉon菜单中得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与Exｐｏｎenｔial四个复选框，确定后输出分析结果,见表１。 分析各模型得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与最小得意义,因此进一步对原模型
自变量为月产量。 表1曲线估计输出结果 二、非线性模型得优化 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，使其残差平方与达到最小。从Staｔｉｓtic下选Reｇrｅssiｏn菜单中得Ｎonlinｅaｒ命令;按Paramａters按钮，输入参数A:17６、5７与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。 由输出结果可以瞧出,经过6次模型迭代过程,残差平方与已有了较大改善，缩小为568、 97,误差率小于0、0000００01, 优化后得模型为: 迭代历史记录ｂ 迭代数a残差平方与参数 A B １、０10４710、5２3 １76、５7０－、183 1、１5、３46E+１33 -３４５5、 813 2、243 1、2 3０6８407６６ 40、８７3 476、0３2 、087 1、3 9731 2、72４２15、1８3 -、160 2、0 ９7312、724 215、183 －、160 2、1 83８8７、0３６２68、159 －、１3３ 3、０83887、０36 2６8、159 -、133 3、１５93５8、７45 3４０、41２-、1０２ 4、0 ５9358、745 ３４0、412 -、102 ４、１2623２、00８38５、９67 -、065 5、0 2６23２、0０8 ３８5、９６7 -、0６5 ５、１７9７7、２3１26１、978 -、０38 6、０７９7７、231 ２61、９7８-、038 6、１1３88、850 1５3、61７-、０1５ 7、0 1388、85０1５3、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 导数就就是通过数字计算得。 a、主迭代数在小数左侧显示,次迭代数在小数右侧显示。