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
一元线性回归分析的结果解释 1.基本描述性统计量 分析：上表是描述性统计量的结果，显示了变量y和x的均数(Mean)、标准差(Std. Deviation)和例数(N)。 2．相关系数 分析：上表是相关系数的结果。从表中可以看出，Pearson相关系数为0.749，单尾显著性检验的概率p值为0.003，小于0.05，所以体重和肺活量之间具有较强的相关性。 3．引入或剔除变量表
分析：上表显示回归分析的方法以及变量被剔除或引入的信息。表中显示回归方法是用强迫引入法引入变量x的。对于一元线性回归问题，由于只有一个自变量，所以此表意义不大。 4．模型摘要 分析：上表是模型摘要。表中显示两变量的相关系数(R)为0.749，判定系数(R Square)为0.562，调整判定系数(Adjusted R Square)为0.518，估计值的标准误差(Std. Error of the Estimate)为0.28775。 5．方差分析表 分析：上表是回归分析的方差分析表(ANOVA)。从表中可以看出，回归的均方(Regression Mean Square)为1.061，剩余的均方(Residual Mean Square)为0.083，F检验统计量的观察值为12.817,相应的概率p 值为0.005，小于0.05，可以认为变量x和y之间存在线性关系。
6．回归系数 分析：上表给出线性回归方程中的参数(Coefficients)和常数项(Constant)的估计值，其中常数项系数为0(注：若精确到小数点后6位，那么应该是0.000413)，回归系数为0.059，线性回归参数的标准误差(Std. Error)为0.016,标准化回归系数(Beta)为0.749，回归系数T检验的t统计量观察值为3.580，T检验的概率p值为0.005，小于0.05，所以可以认为回归系数有显著意义。由此可得线性回归方程为： y=0.000413+0.059x 7．回归诊断 分析：上表是对全部观察单位进行回归诊断(Casewise Diagnostics-all cases)的结果显示。从表中可以看出每一例的标准
第五章回归分析 §1.回归分析的数学模型 1.1.线性统计模型 1．线性回归方程 从一个简单的例子谈起。个人的消费水平Y与他的收入水平X间的关系，大体上可以描述：收入水平高，一般消费水平也高。但Y 和X绝不是简单的线性关系，这从常识便能判别；而且也不是一种确定的数学关系，两个收入水平完全一样的个人，他们的消费水平可能有很大的差异。比较合理的看法是：个人的消费水平Y是一个随机变量，从平均的意义上看，应与收入水平成正比。因此，我们可以给出以下模型： Y = b0 + b1X +ε (1) 其中b0，b1是待定常数，ε是随机变量，且有E(ε)=0，这样就能保证 E(Y) = b0 + b1X (2) 即从平均意义上Y和X线性相关。等式(2)称为变量Y对于变量X的线性回归方程。一般情况下，一个随机变量Y与变量X1,X2,…,X p有关系
Y = b0 + b1X1 + b2X2 + … + b p X p +ε (3) 随机变量ε的期望E(ε)=0,即有： E(Y) = b0+ b1X1 + b2X2+ … + b p X p (4) 从平均意义上，Y与X1,X2,…,X p呈线性关系。（4）式称为变量Y对于变量X1,X2,…,X p的线性回归方程，p=1时，称方程是一元的；p≥2时，称方程是多元的；b0,b1,…,b p称为回归系数。 2．统计模型的假设 设变量Y与X1,X2,…,X p之间有关系(3)，对（X1,X2,…,X p,Y）做n 次观察，得到一个容量为n的样本：（x i1,x i2, …,x i p,y i）i=1,2,…,n，按（4）式给出的关系，这些样本观察值应有： y1= b0+ b1x11+ b2x12 + … + b p x1p+ε1 y2= b0+ b1x21+ b2x22 + … + b p x2p+ε2 (5) ………………………………… y n= b0+ b1x n1+ b2x n2 + … + b p x n p+εn 其中的εi, i=1,2,…,n是随机误差，出于数学上推导的需要，假设：1）E(εi)=0，i=1,2,…,n.即观察结果没有系统误差； 2）Var(εi)=σ2，i=1,2,…,n.这个性质叫做方差齐性；
SPSS 统计分析 欧阳歌谷（2021.02.01） 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. 5.点击右侧Options，默认，点击Continue.
第10章 简单线性回归分析 思考与练习参考答案 一、最佳选择题 1．如果两样本的相关系数21r r =，样本量21n n =，那么（ D ）。 A. 回归系数21b b = B ．回归系数12b b < C. 回归系数21b b > D ．t 统计量11r b t t = E. 以上均错 2．如果相关系数r =1，则一定有（ C ）。 A ．总SS =残差SS B ．残差SS =回归 SS C ．总SS =回归SS D ．总SS ＞回归SS E. 回归MS =残差MS 3．记ρ为总体相关系数，r 为样本相关系数，b 为样本回归系数，下列（ D ）正确。 A ．ρ=0时，r =0 B ．|r |＞0时，b ＞0 C ．r ＞0时，b ＜0 D ．r ＜0时，b ＜0 E. |r |=1时，b =1 4．如果相关系数r =0，则一定有（ D ）。 A ．简单线性回归的截距等于0 B ．简单线性回归的截距等于Y 或X C ．简单线性回归的残差SS 等于0 D ．简单线性回归的残差SS 等于SS 总 E ．简单线性回归的总SS 等于0 5．用最小二乘法确定直线回归方程的含义是（ B ）。 A ．各观测点距直线的纵向距离相等 B ．各观测点距直线的纵向距离平方和最小 C ．各观测点距直线的垂直距离相等 D ．各观测点距直线的垂直距离平方和最小 E ．各观测点距直线的纵向距离等于零 二、思考题 1．简述简单线性回归分析的基本步骤。 答：① 绘制散点图，考察是否有线性趋势及可疑的异常点；② 估计回归系数；③ 对总体回归系数或回归方程进行假设检验；④ 列出回归方程，绘制回归直线；⑤ 统计应用。 2．简述线性回归分析与线性相关的区别与联系。
所属章节： 第五章相关分析与回归分析 1■在线性相关中，若两个变量的变动方向相反，一个变量的数值增加，另一个变量数值随之减少，或一个变量的数值减少，另一个变量的数值随之增加，则称为（）。 答案： 负相关。干扰项： 正相关。干扰项： 完全相关。干扰项： 非线性相关。 提示与解答： 本题的正确答案为： 负相关。 2■在线性相关中，若两个变量的变动方向相同，一个变量的数值增加，另一个变量数值随之增加，或一个变量的数值减少，另一个变量的数值随之减少，则称为（）。 答案： 正相关。干扰项： 负相关。干扰项： 完全相关。干扰项： 非线性相关。 提示与解答：
本题的正确答案为： 正相关。 3■下面的xx中哪一个是错误的（）。 答案： 相关系数不会取负值。干扰项： 相关系数是度量两个变量之间线性关系强度的统计量。干扰项： 相关系数是一个随机变量。干扰项： 相关系数的绝对值不会大于1。 提示与解答： 本题的正确答案为： 相关系数不会取负值。 4■下面的xx中哪一个是错误的（）。 答案： 回归分析中回归系数的显著性检验的原假设是： 所检验的回归系数的真值不为0。 干扰项： 相关系数显著性检验的原假设是： 总体中两个变量不存在相关关系。 干扰项： 回归分析中回归系数的显著性检验的原假设是：
所检验的回归系数的真值为0。 干扰项： 回归分析中多元线性回归方程的整体显著性检验的原假设是： 自变量前的偏回归系数的真值同时为0。 提示与解答： 本题的正确答案为： 回归分析中回归系数的显著性检验的原假设是： 所检验的回归系数的真值不为0。 5■根据你的判断，下面的相关系数值哪一个是错误的（）。 答案： 1.25。干扰项：-0.86。干扰项： 0.78。干扰项：0。 提示与解答： 本题的正确答案为： 1.25。 6■下面关于相关系数的陈述中哪一个是错误的（）。 答案： 数值越大说明两个变量之间的关系越强，数值越小说明两个变量之间的关系越弱。 干扰项：
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地影响，随机抽取了30个观测数据，基于多员线性回归分析地理论方法，对儿童体内几种必需元素与血红蛋白浓度地关系进行分析研究.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 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30y（g） 7.00 7.25 7.75 8.00 8.25 8.25 8.50 8.75 8.75 9.25 9.50 9.75 10.00 10.25 10.50 10.75 11.00 11.25 11.50 11.75 12.00 12.25 12.50 12.75 13.00 13.25 13.50 13.75 14.00 14.25 ca 76.90 73.99 66.50 55.99 65.49 50.40 53.76 60.99 50.00 52.34 52.30 49.15 63.43 70.16 55.33 72.46 69.76 60.34 61.45 55.10 61.42 87.35 55.08 45.02 73.52 63.43 55.21 54.16 65.00 65.00 fe 295.30 313.00 350.40 284.00 313.00 293.00 293.10 260.00 331.21 388.60 326.40 343.00 384.48 410.00 446.00 440.01 420.06 383.31 449.01 406.02 395.68 454.26 450.06 410.63 470.12 446.58 451.02 453.00 471.12 458.00 cu 0.840 1.154 0.700 1.400 1.034 1.044 1.322 1.197 0.900 1.023 0.823 0.926 0.869 1.190 1.192 1.210 1.361 0.915 1.380 1.300 1.142 1.771 1.012 0.899 1.652 1.230 1.018 1.220 1.218 1.000
如何用Excel做数据线性拟合和回归分析 我们已经知道在Excel自带的数据库中已有线性拟合工具，但是它还稍显单薄，今天我们来尝试使用较为专业的拟合工具来对此类数据进行处理。 在数据分析中，对于成对成组数据的拟合是经常遇到的，涉及到的任务有线性描述，趋势预测和残差分析等等。很多专业读者遇见此类问题时往往寻求专业软件，比如在化工中经常用到的Origin和数学中常见的MATLAB等等。它们虽很专业，但其实使用Excel 就完全够用了。我们已经知道在Excel自带的数据库中已有线性拟合工具，但是它还稍显单薄，今天我们来尝试使用较为专业的拟合工具来对此类数据进行处理。 注：本功能需要使用Excel扩展功能，如果您的Excel尚未安装数据分析，请依次选择“工具”-“加载宏”，在安装光盘支持下加载“分析数据库”。加载成功后，可以在“工具”下拉菜单中看到“数据分析”选项 实例某溶液浓度正比对应于色谱仪器中的峰面积，现欲建立不同浓度下对应峰面积的标准曲线以供测试未知样品的实际浓度。已知8组对应数据，建立标准曲线，并且对此曲线进行评价，给出残差等分析数据。 这是一个很典型的线性拟合问题，手工计算就是采用最小二乘法求出拟合直线的待定参数，同时可以得出R的值，也就是相关系数的大小。在Excel中，可以采用先绘图再添加趋势线的方法完成前两步的要求。 选择成对的数据列，将它们使用“X、Y散点图”制成散点图。
在数据点上单击右键，选择“添加趋势线”-“线性”，并在选项标签中要求给出公式和相关系数等，可以得到拟合的直线。 拟合的直线是y=15620x+6606.1，R2的值为0.9994。 因为R2>0.99，所以这是一个线性特征非常明显的实验模型，即说明拟合直线能够以大于99.99%地解释、涵盖了实测数据，具有很好的一般性，可以作为标准工作曲线用于其他未知浓度溶液的测量。 为了进一步使用更多的指标来描述这一个模型，我们使用数据分析中的“回归”工具来详细分析这组数据。 在选项卡中显然详细多了，注意选择X、Y对应的数据列。“常数为零”就是指明该模型是严格的正比例模型，本例确实是这样，因为在浓度为零时相应峰面积肯定为零。先前得出的回归方程虽然拟合程度相当高，但是在x=0时，仍然有对应的数值，这显然是一个可笑的结论。所以我们选择“常数为零”。 “回归”工具为我们提供了三张图，分别是残差图、线性拟合图和正态概率图。重点来看残差图和线性拟合图。 在线性拟合图中可以看到，不但有根据要求生成的数据点，而且还有经过拟和处理的预测数据点，拟合直线的参数会在数据表格中详细显示。本实例旨在提供更多信息以起到抛砖引玉的作用，由于涉及到过多的专业术语，请各位读者根据实际，在具体使用
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。
多元线性回归 黄冈职业技术学院数学建模协会胡敏 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 编写程序如下： 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 7.600 3.864 1.599 0.342 2.423 1.104 ; proc reg; model y=x1 x2 x3 x4 x5/cli; run; 运行结果如下： （1）回归方程显著性检验. Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model 5 2.25207 0.45041 11.63 0.0170 Error 4 0.15497 0.03874 Corrected Total 9 2.40704
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）
实验五 多元线性回归模型 实验目的：1．掌握用excel 一次性算出回归模型参数的方法和步骤； 2．正确分析输出结果并得出正确的回归模型。 实验内容： 某省1978～1989年消费基金、国民收入使用额和平均人口资料如表5.1所示。试配合适当的回归模型并进行各种检验；若1990年该省国民收入使用额为67十亿元，平均人口为58百万人，当显著性水平 ＝0.05时，试估计1990年消费基金的预测区间。 表5.1 某省1978～1989年消费基金、国民收入使用额和平均人口资料 操作步骤： 1.在excel 的工作表中输入如表5.1所示的消费基金（十亿元）y 、国民收入使用 额（十亿元）2x 和平均人口数（百万人）3x 的样本数据。 2.点击“工具—数据分析—回归”，在Y 值输入区域，拖动鼠标选择Y 样本值A3:A14，在X 值输入区域，拖动鼠标选择X 样本值B3:C14，如图5.1所示。
图5.1 应用excel“数据分析”功能求多元线性回归的有关参数 4.点击图 5.1所示中的确定，弹出多元回归分析有关参数的窗口，如图5.2所示。 图5.2 应用excel“数据分析”功能求多元线性回归的有关参数 结果分析： “回归统计”中Multiple R为复相关系数；R Square为可决系数R2；Adjusted为修正的可决系数；“标准误差”为σ的点估计值，该值在求Y的预测区间和控制范围时要用到。 方差分析表中Singnificance F为对回归方程检验所达到的临界显著性水平，即P值；SS 为平方和；df 是自由度；P-value 为P 值，即所达到的临界显著水平。 图5.2 中最后部分给出的是各回归系数及对回归系数的显著性检验结果。Intercept为截距，即常数项；Coefficients为回归系数；“标准误差”为对各个回归系数标准差的估计；t Stat为对回归系数进行t检验时t统计量的值。下限95%和上限95%分别给出了各回归系数
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.
1多元线性回归模型的概念及基本假设 1.1多元线性回归模型的概念 多元线性回归模型是用两个或两个以上的解释变量来解释因变量的一种模型[] 1。设为Y 因变量，k X X X ,21 ，，为k 个用来说明Y 的被称为解释变量的不同变量，其中1X 恒等于1，则),,2,1(,221n i X X Y i ki k i i =++++=μβββ （1）式 称为多元线性回归模型。其中，),,2,1(n i i =μ为随即扰动项；参数k βββ,,,21 称为回归系数。若令 ?? ?? ? ? ? ??=??????? ??=??????? ??=??????? ??=n k kn n n k k n X X X X X X X X X X Y Y Y Y μμμμββββ 21212122212 1211121,,,，则（1）式可用矩阵形式表 示为：μβ+=X Y （2）式。 1.2多元线性回归模型的基本假设 1.2.1 随机扰动项的数学期望为零 即0)()()()(21=? ??? ??? ??=n E E E E μμμμ ,这意味着βX Y E =)(为线性回归模型（2）的总体回归函数。 1.2.2 随机扰动项i μ的方差相等 即221)()()(σμμμ====n D D D ，也称为同方差性。 1.2.3 随机扰动项μ和解释变量X 不相关 数学表达式为：0),(=X COV μ。 1.2.4 解释变量之间不存在多重共线性 所谓多重共线性是指解释变量之间存在完全或近似完全的线性相关[]2。 1.2.5 随机扰动项μ为服从正态分布的随机向量
2多元线性回归模型的参数估计 要想确定多元线性回归模型),,2,1(,221n i X X Y i ki k i i =++++=μβββ，则必须估计出回归系数k βββ,,,21 的值。在回归分析中，使用最广泛的方法是最小二乘法，一般称为普通最小二乘法[]3，即使残差平方和最小的回归系数的估计。设与总体回归模型（1）式对应的样本回归模型为： ),,2,1(,221n i X X Y i ki k i i =++++=∧ ∧ ∧ ∧ μβββ （4）式， 或用矩阵表示为：∧∧+=μβX Y ,其中∧β为总体回归系数β的最小二乘估计，∧ μ为残差向量。 根据最小二乘法的定义，在线性样本回归模型中，使残差平方和最小的回归系数的估计称为最小二乘估计。即使)()(' '∧∧ ∧ ∧--=ββμμX Y X Y 最小的∧ β。其中∧ 'μ是∧ μ的转置。为使∧ β最小，可将)()(' '∧∧ ∧ ∧--=ββμμX Y X Y 看作是∧ β的函数，则其关于∧β的一阶偏导数必须为零，即 02'2'' =+-=??∧ ∧ ∧ ∧ββ μμX X Y X ）（,因此得到方程 Y X X X ' ' =∧ β，所以Y X X X '1')(-∧ =β。虽然计算过程十分复杂，但是在如今的计算 机时代可以运用相关的统计软件（如Eviews3.0）对回归系数进行估计。 3回归系数及回归方程的显著性检验 3.1 回归系数的显著性检验 运用上面的计算方法或者通过计算机的运行可以得出回归系数k βββ,,,21 的估计，但所估计的回归系数在给定的显著性水平α下是否具有显著性呢？这需 要给予相应的显著性检验，通常是构造t 统计量。那么在进行t 检验过程中需遵循以下四个步骤： ①提出原假设和备择假设： 原假设),,2,1(,0:0k j H j ==β，备择假设),,2,1(,0:1k j H j =≠β； ②作统计量：∧ ∧ ∧ = j S t j ββ，其中∧∧j S β为∧ j β的标准差；
实验报告 金融系金融学专业级班 实验人：实验地点：实验日期： 实验题目：进行相应的分析，揭示某地区住宅建筑面积与建造单位成本间的关系 实验目的：掌握最小二乘法的基本方法，熟练运用Eviews软件的一元线性回归的操作，并能够对结果进行相应的分析。 实验内容：实验采用了建筑地编号为1号至12号的数据，通过模型设计、估计参数、检验统计量、回归预测四个步骤对数据进行相关分析。 实验步骤： 一、模型设定 1.建立工作文件。双击eviews，点击File/New/Workfile，在出现的对话框中选择数据 频率，因为该例题中为截面数据，所以选择unstructured/undated，在observations 中设定变量个数，这里输入12。 图1 2.输入数据。在eviews 命令框中输入data X Y，回车出现group窗口数据编辑框，在
对应的X,Y下输入数据，这里我们可以直接将excel中被蓝笔选中的部分用cirl+c 复制，在窗口数据编辑框中1所对应的框中用cirl+v粘贴数据。 图2 3.作X与Y的相关图形。为了初步分析建筑面积（X）与建造单位成本（Y）的关系， 可以作以X为横坐标、以Y为纵坐标的散点图。方法是同时选中工作文件中的对象X和Y，双击得X和Y的数据表，点View/Graph/scatter，在File lines中选择Regressions line/ok（其中Regressions line为趋势线）。得到如图3所示的散点图。 图3 散点图
从散点图可以看出建造单位成本随着建筑面积的增加而降低，近似于线性关系，为分析建造单位成本随建筑面积变动的数量规律性，可以考虑建立如下的简单线性回归模型： 二、估计参数 假定所建模型及其中的随机扰动项满足各项古典假定，可以用OLS法估计其 参数。Eviews软件估计参数的方法如下： 在eviews命令框中键入LS Y C X，按回车，即出现回归结果。 Eviews的回归结果如图4所示。 图4 回归结果 可用规范的形式将参数估计和检验结果写为： （19.2645）（4.8098） t=（95.7969）（-13.3443） 0.9468 F=178.0715 n=12
用Excel进行一元线性回归分析 Excel功能强大，利用它的分析工具和函数，可以进行各种试验数据的多元线性回归分析。本文就从最简单的一元线性回归入手. 在数据分析中，对于成对成组数据的拟合是经常遇到的，涉及到的任务有线性描述，趋势预测和残差分析等等。很多专业读者遇见此类问题时往往寻求专业软件，比如在化工中经常用到的Origin和数学中常见的MATLAB等等。它们虽很专业，但其实使用Excel就完全够用了。我们已经知道在Excel自带的数据库中已有线性拟合工具，但是它还稍显单薄，今天我们来尝试使用较为专业的拟合工具来对此类数据进行处理。 文章使用的是2000版的软件,我在其中的一些步骤也添加了2007版的注解. 1 利用Excel2000进行一元线性回归分析 首先录入数据. 以连续10年最大积雪深度和灌溉面积关系数据为例予以说明。录入结果见下图（图1）。 图1 第二步，作散点图 如图2所示，选中数据（包括自变量和因变量），点击“图表向导”图标；或者在“插入”菜单中打开“图表（H）(excel2007)”。图表向导的图标为。选中数据后，数据变为蓝色（图2）。
图2 点击“图表向导”以后，弹出如下对话框（图3）： 图3 在左边一栏中选中“XY散点图”，点击“完成”按钮，立即出现散点图的原始形式（图4）：
灌溉面积y(千亩) 01020304050600 10 20 30 灌溉面积y(千亩) 图4 第三步，回归 观察散点图，判断点列分布是否具有线性趋势。只有当数据具有线性分布特征时，才能采用线性回归分析方法。从图中可以看出，本例数据具有线性分布趋势，可以进行线性回归。回归的步骤如下： ⑴ 首先，打开“工具”下拉菜单，可见数据分析选项（见图5）(2007为”数据”右端的”数据分析”)： 图5 用鼠标双击“数据分析”选项，弹出“数据分析”对话框（图6）：
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”。
实验一：线性回归分析 实验目的：通过本次试验掌握回归分析的基本思想和基本方法，理解最小二乘法的计算步骤，理解模型的设定T检验，并能够根据检验结果对模型的合理性进行判断，进而改进模型。理解残差分析的意义和重要性，会对模型的回归残差进行正态型和独立性检验，从而能够判断模型是否符合回归分析的基本假设。 实验内容：用线性回归分析建立以高血压作为被解释变量，其他变量作为解释变量的线性回归模型。分析高血压与其他变量之间的关系。 实验步骤： 1、选择File | Open | Data 命令，打开gaoxueya.sav 图1-1 数据集gaoxueya 的部分数据 2、选择Analyze | Regression | Linear…命令，弹出Linear Regression (线性回归) 对话框，如 图1-2所示。将左侧的血压（y）选入右侧上方的Dependent(因变量) 框中，作为被解释变量。再分别把年龄（x1）、体重（x2）、吸烟指数（x3）选入Independent （自变量）框中，作为解释变量。在Method（方法）下拉菜单中，指定自变量进入分析的方法。 图1-2 线性回归分析对话框 3、单击Statistics按钮，弹出Linear Regression : Statistics（线性回归分析：统计量）对话框，如图1-3所示。
1-3线性回归分析统计量对话框 4、单击 Continue 回到线性回归分析对话框。单击Plots ，打开Linear Regression:Plots （线性回归分析：图形）对话框，如图1-4所示。完成如下操作。 图1-4 线性回归分析：图形对话框 5、单击Continue ，回到线性回归分析对话框，单击Save按钮，打开Linear Regression；Save 对话框，如图1-5所示。完成如图操作。 图1-5 线性回归分析：保存对话框
线性回归分析和方差分析报告 信计12 徐文豪 2110902039 本报告以教材第二章课后习题2.4和第三章课后习题3.6为主体，给出对应的解答、sas 代码和结果分析。 2.4 某公司管理人员为了了解某化妆品在一个城市的月销售量Y （单位：箱）与该城市中适合使用该化妆品的人数1X （单位：前人）以及他们人均月收入2X （单位：元）之间的关系，在某个月中对15个城市做了调查，得上述各量的观测值如下表所示： 162 274 2450 120 180 3254 223 375 3802 131 205 2838 67 86 2347 169 265 3782 81 98 3008 192 330 2450 116 195 2137 55 53 2560 252 430 4020 232 372 4427 144 236 2660 103 157 2088 212 370 2605 假设Y 与1X ，2X 之间满足线性回归关系 01122i i i i y x x βββε=+++，1,2,,15i = 其中(1,2,15)i i ε=独立通分布于2(0,)N σ。 （1）求回归系数012,,βββ的最小二乘估计和误差方差2σ的估计，写出回归方程并对回归系数作解释。 解：首先将数据导入sas ，sas 语句如下： data sale; input y x1 x2; cards ; 162 274 2450 120 180 3254 223 375 3802 131 205 2838 67 86 2347 169 265 3782 81 98 3008 192 330 2450 116 195 2137 55 53 2560 252 430 4020 232 372 4427 144 236 2660 103 157 2088 212 370 2605 ; run ; 然后调用reg 过程，sas 语句如下：
第二章一元线性模型案例分析 居民消费模式和消费规模分析 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 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