相关分析和回归分析
S P S S实现
TYYGROUP system office room 【TYYUA16H-TYY-TYYYUA8Q8-
相关分析与回归分析
一、试验目标与要求
本试验项目的目的是学习并使用SPSS软件进行相关分析与回归分析，具体包括：
(1)皮尔逊pearson简单相关系数的计算与分析
(2)学会在SPSS上实现一元及多元回归模型的计算与检验。
(3)学会回归模型的散点图与样本方程图形。
(4)学会对所计算结果进行统计分析说明。
(5)要求试验前，了解回归分析的如下内容。
参数α、β的估计
回归模型的检验方法：回归系数β的显着性检验（t－检验）；回归
方程显着性检验（F－检验）。
二、试验原理
1．相关分析的统计学原理
相关分析使用某个指标来表明现象之间相互依存关系的密切程度。用来测度简单线性相关关系的系数是Pearson简单相关系数。
2．回归分析的统计学原理
相关关系不等于因果关系，要明确因果关系必须借助于回归分析。回归分析是研究两个变量或多个变量之间因果关系的统计方法。其基本思想是，在相关分析的基础上，对具有相关关系的两个或多个变量之间数量变化的一般关系进行测定，确立一个合适的数据模型，以便从一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估计参数，建立回归模型，对参数与模型进行检验与判断，并进行预测等。
线性回归数学模型如下：
在模型中，回归系数是未知的，可以在已有样本的基础上，使用最小二乘法对回归系数进行估计，得到如下的样本回归函数：
回归模型中的参数估计出来之后，还必须对其进行检验。如果通过检验发现模型有缺陷，则必须回到模型的设定阶段或参数估计阶段，重新选择被解释变量与解释变量及其函数形式，或者对数据进行加工整理之后再次估计参数。回归模型的检验包括一级检验与二级检验。一级检验又叫统计学检验，它是利用统计学的抽样理论来检验样本回归方程的可靠性，具体又可以分为拟与优度
评价与显着性检验；二级检验又称为经济计量学检验，它是对线性回归模型的假定条件能否得到满足进行检验，具体包括序列相关检验、异方差检验等。三、试验演示内容与步骤
1．连续变量简单相关系数的计算与分析
在上市公司财务分析中，常常利用资产收益率、净资产收益率、每股净收益与托宾Q值4个指标来衡量公司经营绩效。本试验利用SPSS对这4个指标的相关性进行检验。操作步骤与过程：
打开数据文件“上市公司财务数据(连续变量相关分析).sav”,依次选择“【分析】→【相关】→【双变量】”打开对话框如图，将待分析的4个指标移入右边的变量列表框内。其他均可选择默认项，单击ok提交系统运行。
图 Bivariate Correlations对话框
结果分析：
表给出了Pearson简单相关系数，相关检验t统计量对应的p值。相关系数右上角有两个星号表示相关系数在的显着性水平下显着。从表中可以看出，每股收益、净资产收益率与总资产收益率3个指标之间的相关系数都在以上，对应的p值都接近0，表示3个指标具有较强的正相关关系，而托宾Q值与其他3个变量之间的相关性较弱。
表 Pearson简单相关分析
Correlations
每股收益率净资产收
益率资产收益率托宾Q值
每股收益率Pearson
Correlation
1.877(**).824(**)
Sig. (2-tailed)..000.000.199
N315315315315净资产收益率Pearson
Correlation
.877(**)1.808(**)
Sig. (2-tailed).000..000.983
N315315315315资产收益率Pearson
Correlation
.824(**).808(**)1.011 Sig. (2-tailed).000.000..849
N315315315315托宾Q值Pearson
Correlation
.0111 Sig. (2-tailed).199.983.849.
N315315315315 ** Correlation is significant at the level (2-tailed).
2．一元线性回归分析
实例分析：家庭住房支出与年收入的回归模型
在这个例子里，考虑家庭年收入对住房支出的影响，建立的模型如下：
其中，yi是住房支出，xi是年收入
线性回归分析的基本步骤及结果分析：
（1）绘制散点图打开数据文件，选择【图形】-【旧对话框】-【散点/点状】，如图所示。
图散点图对话框
选择简单分布，单击定义，打开子对话框，选择X变量与Y变量，如图所示。单击ok提交系统运行，结果见图所示。
图 Simple Scatterplot 子对话框
从图上可直观地看出住房支出与年收入之间存在线性相关关系。
图散点图
（2）简单相关分析
选择【分析】—>【相关】—>【双变量】,打开对话框，将变量“住房支出”与“年收入”移入variables列表框，点击ok运行，结果如表所示。
表住房支出与年收入相关系数表
Correlations
住房支出（千美元）年收入（千美元）
住房支出（千美元）Pearson Correlation1.966(**)
Sig. (2-tailed)..000
N2020年收入（千美元）Pearson Correlation.966(**)1
Sig. (2-tailed).000.
N2020 ** Correlation is significant at the level (2-tailed).
从表中可得到两变量之间的皮尔逊相关系数为，双尾检验概率p值尾<，故变量之间显着相关。根据住房支出与年收入之间的散点图与相关分析显示，住房支出与年收入之间存在显着的正相关关系。在此前提下进一步进行回归分析，建立一元线性回归方程。
(3) 线性回归分析
步骤1：选择菜单“【分析】—>【回归】—>【线性】”，打开Linear Regression 对话框。将变量住房支出y移入Dependent列表框中，将年收入x移入Independents列表框中。在Method 框中选择Enter 选项，表示所选自变量全部进入回归模型。
图 Linear Regresssion对话框
步骤2：单击Statistics按钮，如图在Statistics子对话框。该对话框中设置要输出的统计量。这里选中估计、模型拟合度复选框。
图 Statistics子对话框
估计：输出有关回归系数的统计量，包括回归系数、回归系数的标
准差、标准化的回归系数、t统计量及其对应的p 值等。
置信区间：输出每个回归系数的95％的置信度估计区间。
协方差矩阵：输出解释变量的相关系数矩阵与协差阵。
模型拟合度：输出可决系数、调整的可决系数、回归方程的标准误
差、回归方程F检验的方差分析。
步骤3：单击绘制按钮，在Plots子对话框中的标准化残差图选项栏中选中正态概率图复选框，以便对残差的正态性进行分析。
图 plots子对话框
步骤4：单击保存按钮，在Save子对话框中残差选项栏中选中未标准化复选框，这样可以在数据文件中生成一个变量名尾res_1 的残差变量，以便对残差进行进一步分析。
图 Save子对话框
其余保持Spss默认选项。在主对话框中单击ok按钮，执行线性回归命令，其结果如下：
表给出了回归模型的拟与优度（R Square）、调整的拟与优度（Adjusted R Square）、估计标准差（Std. Error of the Estimate）以及Durbin－Watson 统计量。从结果来看，回归的可决系数与调整的可决系数分别为与，即住房支出的90％以上的变动都可以被该模型所解释，拟与优度较高。
表给出了回归模型的方差分析表，可以看到，F统计量为，对应的p值为0，所以，拒绝模型整体不显着的原假设，即该模型的整体是显着的。
表给出了回归系数、回归系数的标准差、标准化的回归系数值以及各个回归系数的显着性t检验。从表中可以看到无论是常数项还是解释变量x，其t统计量对应的p值都小于显着性水平，因此，在的显着性水平下都通过了t检验。变量x 的回归系数为，即年收入每增加1千美元，住房支出就增加千美元。
表回归模型拟与优度评价及Durbin－Watson检验结果
Model Summary(b)
Model R R Square Adjusted R
Square
Std. Error
of the
Estimate
1.966(a).934.930.37302
a Predictors: (Constant),年收入（千美元）
b Dependent Variable:住房支出（千美元）
表方差分析表
ANOVA(b)
Model
Sum of
Squares df Mean Square F Sig.
1Regressio
n
1.000(a)
Residual18.139
a Predictors: (Constant), 年收入（千美元）
b Dependent Variable: 住房支出（千美元）
表回归系数估计及其显着性检验
Coefficients(a)
a Dependent Variable: 住房支出（千美元）
为了判断随机扰动项是否服从正态分布，观察图所示的标准化残差的P－P 图，可以发现，各观测的散点基本上都分布在对角线上，据此可以初步判断残差服从正态分布。
为了判断随机扰动项是否存在异方差，根据被解释变量y与解释变量x的散点图，如图所示，从图中可以看到，随着解释变量x的增大，被解释变量的波动幅度明显增大，说明随机扰动项可能存在比较严重的异方差问题，应该利用加权最小二乘法等方法对模型进行修正。
图标准化残差的P－P图
四、备择试验
现有1987~2003年湖南省全社会固定资产投资总额NINV与GDP两个指标的年度数据，见下表。试研究全社会固定资产投资总额与GDP的数量关系，并建立全社会固定资产投资总额与GDP之间的线性回归方程。
湖南省全社会固定资产投资与GDP年度数据
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
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：
相关分析与回归分析 一、试验目标与要求 本试验项目的目的是学习并使用SPSS软件进行相关分析和回归分析，具体包括： (1)皮尔逊pearson简单相关系数的计算与分析 (2)学会在SPSS上实现一元及多元回归模型的计算与检验。 (3)学会回归模型的散点图与样本方程图形。 (4)学会对所计算结果进行统计分析说明。 (5)要求试验前，了解回归分析的如下内容。 参数α、β的估计 回归模型的检验方法：回归系数β的显着性检验（t－检验）；回归方程显着性 检验（F－检验）。 二、试验原理 1．相关分析的统计学原理 相关分析使用某个指标来表明现象之间相互依存关系的密切程度。用来测度简单线性相关关系的系数是Pearson简单相关系数。 2．回归分析的统计学原理 相关关系不等于因果关系，要明确因果关系必须借助于回归分析。回归分析是研究两个变量或多个变量之间因果关系的统计方法。其基本思想是，在相关分析的基础上，对具有相关关系的两个或多个变量之间数量变化的一般关系进行测定，确立一个合适的数据模型，以便从一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估计参数，建立回归模型，对参数和模型进行检验和判断，并进行预测等。 线性回归数学模型如下： 在模型中，回归系数是未知的，可以在已有样本的基础上，使用最小二乘法对回归系数进行估计，得到如下的样本回归函数： 回归模型中的参数估计出来之后，还必须对其进行检验。如果通过检验发现模型有缺陷，则必须回到模型的设定阶段或参数估计阶段，重新选择被解释变量和解释变量及其函数形式，或者对数据进行加工整理之后再次估计参数。回归模型的检验包括一级检验和二级检验。一级检验又叫统计学检验，它是利用统计学的抽样理论来检验样本回归方程的可靠性，具体又可以分为拟和优度评价和显着性检验；二级检验又称为经济计量学检验，它是对线性回归模型的假定条件能否得到满足进行检验，具体包括序列相关检验、异方差检验等。 三、试验演示内容与步骤 1．连续变量简单相关系数的计算与分析
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。
相关分析与回归分析S P S S实现 文档编制序号：[KKIDT-LLE0828-LLETD298-POI08]
相关分析与回归分析 一、试验目标与要求 本试验项目的目的是学习并使用SPSS软件进行相关分析和回归分析，具体包括： (1)皮尔逊pearson简单相关系数的计算与分析 (2)学会在SPSS上实现一元及多元回归模型的计算与检验。 (3)学会回归模型的散点图与样本方程图形。 (4)学会对所计算结果进行统计分析说明。 (5)要求试验前，了解回归分析的如下内容。 ?参数α、β的估计 ?回归模型的检验方法：回归系数β的显着性检验（t－检验）；回归方程显着性检验（F－检验）。 二、试验原理 1．相关分析的统计学原理 相关分析使用某个指标来表明现象之间相互依存关系的密切程度。用来测度简单线性相关关系的系数是Pearson简单相关系数。 2．回归分析的统计学原理 相关关系不等于因果关系，要明确因果关系必须借助于回归分析。回归分析是研究两个变量或多个变量之间因果关系的统计方法。其基本思想是，在相关分析的基础上，对具有相关关系的两个或多个变量之间数量变化的一般关系进行测定，确立一个合适的数据模型，以便从一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估计参数，建立回归模型，对参数和模型进行检验和判断，并进行预测等。 线性回归数学模型如下： 在模型中，回归系数是未知的，可以在已有样本的基础上，使用最小二乘法对回归系数进行估计，得到如下的样本回归函数： 回归模型中的参数估计出来之后，还必须对其进行检验。如果通过检验发现模型有缺陷，则必须回到模型的设定阶段或参数估计阶段，重新选择被解释变量和解释变量及其函数形式，或者对数据进行加工整理之后再次估计参数。回归模型的检验包括一级检验和二级检验。一级检验又叫统计学检验，它是利用统计学的抽样理论来检验样本回归方程的可靠性，具体又可以分为拟和优度评价和显着性检验；二级检验又称为经济计量学检验，它是对线性回归模型的假定条件能否得到满足进行检验，具体包括序列相关检
相关分析和一元线性回归分析S P S S报告 Document number：NOCG-YUNOO-BUYTT-UU986-1986UT
用下面的数据做相关分析和一元线性回归分析： 选用普通高等学校毕业生数和高等学校发表科技论文数量做相关分析和一元线性回归分析。 一、相关分析 1.作散点图 普通高等学校毕业生数和高等学校发表科技论文数量的相关图 从散点图可以看出：普通高等学校毕业生数和高等学校发表科技论文数量的相关性很大。 2.求普通高等学校毕业生数和高等学校发表科技论文数量的相关系数 把要求的两个相关变量移至变量中，因为都是定距数据，选择相关系数中的Pearson，点击确定，可以得到下面的结果： Correlations 普通高等学校毕业生数(万人) 高等学校发表科技论文数量(篇) 普通高等学校毕业生数(万人) Pearson Correlation 1 .998** Sig. (2-tailed) .000 N 14 14 高等学校发表科技论文数量(篇) Pearson Correlation .998** 1 Sig. (2-tailed) .000 N 14 14 **. Correlation is significant at the level (2-tailed). 两相关变量的Pearson相关系数=，表示呈高度正相关；相关系数检验对应的概率P值=，小于显着性水平，应拒绝原假设（两变量之间不具有相关性），即毕业生人数好发表科技论文数之间的相关性显着。 3.求两变量之间的相关性 选择相关系数中的全部，点击确定：
Correlations (万人) (篇) Kendall's tau_b (万人) Correlation Coefficient ** Sig. (2-tailed) . . N 14 14 (篇) Correlation Coefficient ** Sig. (2-tailed) . . N 14 14 Spearman's rho (万人) Correlation Coefficient ** Sig. (2-tailed) . . N 14 14 (篇) Correlation Coefficient ** Sig. (2-tailed) . . N 14 14 **. Correlation is significant at the level (2-tailed). 注解：两相关变量（毕业生数和发表论文数）的Kendall相关系数=，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显着。 两相关变量（毕业生数和发表论文数）的Spearman相关系数=，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显着。 4.普通高等学校毕业生数和高等学校发表科技论文数量的相关系数 将所求变量移至变量，将控制变量移至控制中，选中显示实际显着性水平，点击确定： Correlations 普通高等学校毕业生数(万人) 高等学校发表科技论文数量(篇) 普通高等学校毕业生数(万人) Pearson Correlation 1 .998** Sig. (2-tailed) .000 N 14 14 高等学校发表科技论文数量Pearson Correlation .998** 1
相关分析与回归分析 S P S S实现 Document number：NOCG-YUNOO-BUYTT-UU986-1986UT
相关分析与回归分析 一、试验目标与要求 本试验项目的目的是学习并使用SPSS软件进行相关分析和回归分析，具体包括： (1)皮尔逊pearson简单相关系数的计算与分析 (2)学会在SPSS上实现一元及多元回归模型的计算与检验。 (3)学会回归模型的散点图与样本方程图形。 (4)学会对所计算结果进行统计分析说明。 (5)要求试验前，了解回归分析的如下内容。 ?参数α、β的估计 ?回归模型的检验方法：回归系数β的显着性检验（t－检验）；回归方程显着性检验（F－检验）。 二、试验原理 1．相关分析的统计学原理 相关分析使用某个指标来表明现象之间相互依存关系的密切程度。用来测度简单线性相关关系的系数是Pearson简单相关系数。 2．回归分析的统计学原理 相关关系不等于因果关系，要明确因果关系必须借助于回归分析。回归分析是研究两个变量或多个变量之间因果关系的统计方法。其基本思想是，在相关分析的基础上，对具有相关关系的两个或多个变量之间数量变化的一般关系进行测定，确立一个合适的数据模型，以便从一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估计参数，建立回归模型，对参数和模型进行检验和判断，并进行预测等。 线性回归数学模型如下： 在模型中，回归系数是未知的，可以在已有样本的基础上，使用最小二乘法对回归系数进行估计，得到如下的样本回归函数： 回归模型中的参数估计出来之后，还必须对其进行检验。如果通过检验发现模型有缺陷，则必须回到模型的设定阶段或参数估计阶段，重新选择被解释变量和解释变量及其函数形式，或者对数据进行加工整理之后再次估计参数。回归模型的检验包括一级检验和二级检验。一级检验又叫统计学检验，它是利用统计学的抽样理论来检验样本回归方程的可靠性，具体又可以分为拟和优度评价和显着性检验；二级检验又称为经济计量学检验，它是对线性回归模型的假定条件能否得到满足进行检验，具体包括序列相关检验、异方差检验等。 三、试验演示内容与步骤
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.
实验五 SPSS软件应用于 相关分析与回归分析 学院：动物科技学院 班级：动科101 姓名：李貌 学号：2010020407
实验五SPSS软件应用于相关分析与回归分析 一、实验目的： 1、理解线性相关分析和回归分析的意义及应用并对有关数据进行分析。 2、熟悉SPSS软件应用于相关分析和回归分析的操作和步骤。 3、进一步掌握运用SPSS软件处理数据和分析数据的能力。 二、实验内容： 玉米在盐胁迫后的萎焉程度(R)与根中蛋白（R）、叶中蛋白（L）、脯氨酸（pro）之间关系如下，试进行变量间的相关分析、回归分析。 萎焉度（Y）/% 根中蛋白（R）/% 叶中蛋白（L）/% 脯氨酸（pro）/% 0.9300 0.79 0.98 0.093 0.9547 0.99 1.02 0.105 0.9661 0.91 1.58 0.119 0.9678 1.01 1.47 0.155 0.9725 1.14 1.89 0.234 0.9735 1.36 1.32 0.251 0.9856 1.36 1.76 0.217 1.0032 1.19 2.61 0.271 1.0045 1.21 2.33 0.227 1.0075 1.06 2.88 0.270 1.0186 1.58 2.40 0.282 1.0201 1.30 2.40 0.557 1.0245 1.81 2.37 0.650 1.0260 1.88 2.59 0.622 1.0283 1.46 3.10 0.611 1.0364 1.68 3.36 0.657 三、实验步骤： (一、线性回归分析） 1、启动SPSS，进行变量定义和数据录入，如（图1、2）。
一、多选项分析 一）问卷中多选项问题的分析 多选项问题的分解通常有2中方法：1、多选项二分法（Multiple Dichotomies Method）； 2、多选项分类法（Multiple Category Method）。 1、多选项二分法（Multiple Dichotomies Method）； 多选项二分法是将多选项问题中的每个答案设为一个SPSS变量，每个变量只有0或1两个取值，分别表示选择个该答案和不选择该答案。 按照多选项二分法可以将居民储蓄调查中村（取）款目的这个多选项问题分解为十一个问题，并设置十一个SPSS变量。 2、多选项分类法（Multiple Category Method） 多选项分类法中，首先应估计多选项问题最多可能出现的答案个数；然后，为每个答案设置一个SPSS变量，变量取值为多选项问题中的可选答案。 按照多选项分类法可将居民储蓄调查中存（取）款目的这个多选项问题分解成三个问题（通常给出的答案数不会超过三个），并设置三个SPSS变量。 以上两种分解方法的选择考虑是否便于分析和是否丢失信息两个方面。 多选项二分法分解问题存在较大的信息丢失，这种方式没有体现选项的顺序，如果问题存在顺序则适合采用分类法。 同时注意自己需要的信息加以选择。 二）多选项分析基本操作 1、多选项分析的基本实现思路
第一、按多选项二分法或多选项分类法将多选项问题分解成若干问题，并设置若干个SPSS变量。 第二、采用多选项频数分析或多选项交叉分组下的频数分析数据。 为了实现第二步，应首先定义多选项选择变量集，即将多选项问题分解并设置成多个变量后，指定这些为一个集合。定义多选项变量集是为了今后多选项频数分析和多选项交叉分组下的频数分析作准备。只有通过定义多选项变量集，SPSS才能确定应对哪些变量取相同值的个案数进行累加。 2、定义多选项选择变量集的基本操作步骤 1）选择菜单Analyze —Multiple Response —Defined Sets，出现如下图所示的窗口。 2）从数值型变量中见进入多选项变量集的变量选择到Variables in Sets框中。 3）在Variables Are Coded AS框中制定多选项变量集中的变量是按照哪种方法分解的。Dichotomies表示以多选项二分法分解，并在Counted Value中输入对那组织进行分析。SPSS 规定等于该值的样本为一组，其余样本为另一组；Categories表示以多选项分类法分解，并在Range框中输入变量取值的最小值和最大值。
软件设计开发 本栏目责任编辑：谢媛媛 １引言 回归分析用来研究多个预报因子对预报量的影响程度，然后建立它们的统计关系的方程式，对未来时刻的预报量做出预报估计，是目前气象业务与研究中最为常用的一种统计分析与预报方法［１－８］。逐步回归可从影响预报量的许多因子中，挑选出一批相关较好的作为预报因子，在气象业务中应用甚广［９－１１］。回归分析在气象业务和研究中应用非常广，但该过程目前基本上都是编程来实现，编程复杂、易出错，基层气象工作者较难掌握不利于推广应用。 ＳＰＳＳ（ＳｔａｔｉｓｔｉｃａｌＰｒｏｄｕｃｔａｎｄＳｅｒｖｉｃｅＳｏｌｕｔｉｏｎｓ）意 为统计产品与服务解决方案，统计和数据分析功能强大，界面友好，易学易用，目前是非统计专业人员应用最多的统计软件 ［１２－１３］ 。ＳＰＳＳ提供了多种回归分析过 程，如Ｌｉｎｅａｒ（线性回归）、Ｎｏｎｌｉｎｅａｒ（非线性回归）、 ＣｕｒｖｅＥｓｔｉｍａｔｉｏｎ（曲线拟合）、ＢｉｎａｒｙＬｏｇｉｓｔｉｃ（二分类， 即事件概率回归）等。本文简要介绍如何使用统计软件ＳＰＳＳ进行线性回归分析，为便于与传统编程方式对比，分析实例采用目前气象常用统计教科书中介绍“逐步回归分析”一节中的经典案例，逐步回归分析的原理和编程实现过程可参考文献［１－２］。 ２线性逐步回归分析过程 首先根据表１建立数据文件，其中ｙ为预报量， ｘ１、ｘ２、ｘ３和ｘ４为预报因子。 表１预报因子与预报量资料表 在ＳＰＳＳ菜单栏上选择Ａｎａｌｙｚｅ→Ｒｅｇｒｅｓｓｉｏｎ→ Ｌｉｎｅａｒ（图１左），则出现ＬｉｎｅａｒＲｅｇｒｅｓｓｉｏｎ（线性回归 分析）主对话框（图１右）。将“ｙ”选入Ｄｅｐｅｎｄｅｎｔ（因变量）框中，“ｘ１”、“ｘ２”、“ｘ３”和“ｘ４” 选入Ｉｎｄｅｐｅｎｄｅｎｔ（自变量）框中，Ｍｅｔｈｏｄ框选择Ｓｔｅｐｗｉｓｅ（逐步回归）；Ｓａｖｅ子对话框中选择ＰｒｅｄｉｃｔｅｄＶａｌｕｅｓ下的Ｕｎｓｔａｎｄａｒｄｉｚｅｄ（将预报量的估计值另存为新变量），Ｏｐｔｉｏｎｓ子对话框选择ＵｓｅＦＶａｌｕｅ；其余默认，点ＯＫ，则得线性逐步 回归分析结果。 图１线性回归分析过程（左为Ｒｅｇｒｅｓｓｉｏｎ菜单；右为 ＬｉｎｅａｒＲｅｇｒｅｓｓｉｏｎ主对话框） 收稿日期：２００７－１２－１７ 作者简介：罗凤明，男，工程师，主要从事网络维护，业务开发及服务工作。 如何使用统计软件ＳＰＳＳ进行回归分析 罗凤明，邱劲飚，李明华，肖炳坤（惠州市气象局，广东惠州５１６００１） 摘要：简要介绍如何使用统计软件ＳＰＳＳ进行线性回归分析，并给出了逐步回归分析实例。使用ＳＰＳＳ进行回归分析操作简单且全面，与编程相比大大减小了难度、节约了时间。 关键词：计算机应用；ＳＰＳＳ；回归分析；逐步回归中图分类号：ＴＰ３１２ 文献标识码：Ａ 文章编号：１００９－３０４４（２００８）０２－１０２９３－０２ ＨｏｗｔｏｄｏＲｅｇｒｅｓｓｉｏｎＡｎａｌｙｓｉｓｂｙＳｔａｔｉｓｔｉｃａｌＳｏｆｔｗａｒｅＳＰＳＳ ＬＵＯＦｅｎｇ－ｍｉｎｇ，ＱＩＵＪｉｎ－ｂｉａｏ，ＬＩＭｉｎｇ－ｈｕａ，ＸＩＡＯＢｉｎ－ｋｕｎ（ＨｕｉｚｈｏｕＭｅｔｅｏｒｏｌｏｇｉｃａｌＳｔａｔｉｏｎ，Ｈｕｉｚｈｏｕ５１６００１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：ＩｎｔｒｏｄｕｃｅｄｉｎｂｒｉｅｆｈｏｗｔｏｄｏｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓｂｙｓｔａｔｉｓｔｉｃａｌｓｏｆｔｗａｒｅＳＰＳＳ，ａｎｄｇａｖｅａｎｅｘ－ａｍｐｌｅｏｆｓｔｅｐｗｉｓｅｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓ．ＩｔｉｓｓｉｍｐｌｙａｎｄｒｏｕｎｄｌｙｔｏｄｏｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓｂｙＳＰＳＳ，ａｎｄｉｓｅａｓｉｅｒａｎｄｔｉｍｅｓａｖｉｎｇｃｏｍｐａｒｅｄｗｉｔｈｐｒｏｇｒａｍｍｅ． Ｋｅｙｗｏｒｄｓ：ｃｏｍｐｕｔｅｒａｐｌｌｉｃａｔｉｏｎ；ＳＰＳＳ；ｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓ；ｓｔｅｐｗｉｓｅ ｒｅｇｒｅｓｓｉｏｎ
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）
用下面的数据做相关分析和一元线性回归分析： 选用普通高等学校毕业生数和高等学校发表科技论文数量做相关分析和一元线性回归分析。 一、相关分析 1.作散点图
普通高等学校毕业生数和高等学校发表科技论文数量的相关图 从散点图可以看出：普通高等学校毕业生数和高等学校发表科技论文数量的相关性很大。 2.求普通高等学校毕业生数和高等学校发表科技论文数量的相关系 数
把要求的两个相关变量移至变量中，因为都是定距数据，选择相关系数中的Pearson，点击确定，可以得到下面的结果：
Correlations 普通高等学校毕业生数(万人)高等学校发表科技论文数量(篇) 普通高等学校毕业生数(万人)Pearson Correlation1.998** Sig. (2-tailed).000 N1414 高等学校发表科技论文数量(篇)Pearson Correlation.998**1 Sig. (2-tailed).000 N1414 **. Correlation is significant at the 0.01 level (2-tailed). 两相关变量的Pearson相关系数=0.0998，表示呈高度正相关；相关系数检验对应的概率P值=0.000，小于显著性水平0.05，应拒绝原假设（两变量之间不具有相关性），即毕业生人数好发表科技论文数之间的相关性显著。 3.求两变量之间的相关性 选择相关系数中的全部，点击确定：
Correlations (万人)(篇) Kendall's tau_b(万人)Correlation Coefficient 1.000 1.000** Sig. (2-tailed).. N1414 (篇)Correlation Coefficient 1.000** 1.000 Sig. (2-tailed).. N1414 Spearman's rho(万人)Correlation Coefficient 1.000 1.000** Sig. (2-tailed).. N1414 (篇)Correlation Coefficient 1.000** 1.000 Sig. (2-tailed).. N1414 **. Correlation is significant at the 0.01 level (2-tailed). 注解：两相关变量（毕业生数和发表论文数）的Kendall相关系数=1.000，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显著。 两相关变量（毕业生数和发表论文数）的Spearman相关系数=1.000，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显著。 4.普通高等学校毕业生数和高等学校发表科技论文数量的相关系数
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。
用下面的数据做相关分析和一元线性回归分析：选用普通高等学校毕业生数和高等学校发表科技论文数量做相关分析和一元线性回归分析。 一、相关分析 1.作散点图 两相关变量的Pearson相关系数=0.0998，表示呈高度正相关；相关系数检验对应的概率P值=0.000，小于显著性水平0.05，应拒绝原假设（两变量之间不具有相关性），即毕业生人数好发表科技论文数之间的相关性显著。 3.求两变量之间的相关性 选择相关系数中的全部，点击确定：
呈
注解: 两相关变量（普通高校毕业生数和发表论文数）的偏相关系数=0.998，呈正相关；对应的偏相关系数双侧检验p值0，小于显著性水平0.05，应拒绝原假设（两变量之间不具有相关性），即普通高校毕业生数与发表论文数之间相关性显著。 二、一元线性回归 此图是回归方程的拟合优度检验。 注解：上图是回归方程的拟合优度检验。 第二列：两变量（被解释变量和解释变量）的相关系数R=0.998. 第三列：被解释变量（毕业人数）和解释变量（发表科技论文数）的判定系数=0.996是一元线性回归方程拟合优度检验的统计量；判定系数越接近1，说明回归方程对样本数据的拟合优度越高，被解释变量可以被模型解释的部分越多。
第四列：被解释变量（毕业人数）和解释变量（发表科技论文数）的调整判定系数=0.996。这主要适用于多个解释变量的时候。 第二列：常数项估计值=-316.259；回归系数估计值=0.001. 第三列：回归系数的标准误差=0.000 第四列：标准化回归系数=0.998. 第五、六列：回归系数T检验的t统计量值=57.196，对应的概率P 值=0.000，小于显著性水平0.05，拒绝原假设（回归系数与0不存
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
第九章spss的回归分析 1、利用习题二第4题的数据，任意选择两门课程成绩作为解释变量和被解释变量，利用SPSS 提供的绘制散点图功能进行一元线性回归分析。请绘制全部样本以及不同性别下两门课程成绩的散点图，并在图上绘制三条回归直线，其中，第一条针对全体样本，第二和第三条分别针对男生样本和女生样本，并对各回归直线的拟和效果进行评价。 选择fore和phy两门成绩做散点图 步骤：图形→旧对话框→散点图→简单散点图→定义→将phy导入X轴、将fore导入Y 轴，将sex导入设置标记→确定 图标剪辑器内点击元素菜单→选择总计拟合线→选择线性→确定→再次选择元素菜单→点击子组拟合线→选择线性→确定 分析：如上图所示，通过散点图，被解释变量y与fore有一定的线性相关关系。 2、线性回归分析与相关性回归分析的关系是怎样的？ 线性回归分析是相关性回归分析的一种，研究的是一个变量的增加或减少会不会引起另一个变量的增加或者减少。
3、为什么需要对线性回归方程进行统计检验？一般需要对哪些方面进行检验？ 线性回归方程能够较好地反映被解释变量和解释变量之间的统计关系的前提是被解释变量和解释变量之间确实存在显著的线性关系。 回归方程的显著性检验正是要检验被解释变量和解释变量之间的线性关系是否显著，用线性模型来描述他们之间的关系是否恰当。一般包括回归系数的检验，残差分析等。 4、SPSS多元线性回归分析中提供了哪几种解释变量筛选策略？ 包括向前筛选策略、向后筛选策略和逐步筛选策略。 5、先收集到若干年粮食总产量以及播种面积、使用化肥量、农业劳动人数等数据，请利用建立多元线性回归方程，分析影响粮食总产量的主要因素。数据文件名为“粮食总产量.sav”。 步骤：分析→回归→线性→粮食总产量导入因变量、其余变量导入自变量→确定 结果如图： Variables Entered/Removed b Model Variables Entered Variables Removed Method 1 农业劳动者人数(百万人), 总播种面积(万公顷), 风灾 面积比例(%), 粮食播种面 积(万公顷), 施用化肥量 (kg/公顷), 年份a . Enter a. All requested variables entered. b. Dependent Variable: 粮食总产量(y万吨) ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 2.025E9 6 3.375E8 414.944 .000a Residual 2.278E7 28 813478.405 Total 2.048E9 34 a. Predictors: (Constant), 农业劳动者人数(百万人), 总播种面积(万公顷), 风灾面积比例(%), 粮食播种面积(万公顷), 施用化肥量(kg/公顷), 年份 b. Dependent Variable: 粮食总产量(y万吨) Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta