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
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
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
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
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
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。
偏度 偏度（skewness），是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。 表征概率分布密度曲线相对于平均值不对称程度的特征数。直观看来就是密度函数曲线尾部的相对长度。 正偏离（右偏态）、负偏离（左偏态）： 正态分布的偏度为为0，两侧尾部长度对称。若以bs表示偏度。bs<0称分布具有负偏离，也称左偏态，此时数据位于均值左边的比位于右边的少，直观表现为左边的尾部相对于与右边的尾部要长，因为有少数变量值很小，使曲线左侧尾部拖得很长；bs>0称分布具有正偏离，也称右偏态，此时数据位于均值右边的比位于左边的少，直观表现为右边的尾部相对于与左边的尾部要长，因为有少数变量值很大，使曲线右侧尾部拖得很长；而bs接近0则可认为分布是对称的。若知道分布有可能在偏度上偏离正态分布时，可用偏离来检验分布的正态性。右偏时一般算术平均数>中位数>众数，左偏时相反，即众数>中位数>平均数。
计算： 1. 2. 其中： 而，数学期望所以：
举个栗子（见excel表中）：Χ2分布，t分布，F分布Χ2分布： t分布： F分布： 关于p分为点
决定系数(coefficient of determination) 有的教材上翻译为判定系数，也称为拟合优度,决定系数是指在x或y的总变异中，可以相互以直线关系说明的部分所占的比率。即在Y的总平方和中，由X引起的平方和所占的比例，记为R^2(R的平方)。 当R^2越接近1时，表示相关的方程式参考价值越高，越符合回归线。 计算： RSS = （回归平方和）TSS = （总离差平方和）区别：
SPSS-线性回归（举个栗子） 例1. 某分公司连续6年记录了员工的平均工资，数据如下表，试建立线性回归模型。 操作步骤 （1）定义变量：年份定义为x，工资定义为y，点击“变量试图”，定义x,y变量； （2）数据录入：点击“数据视图”，输入x,y对应的数据； （3）线性回归准备：“分析”->“回归”->“线性”，打开“线性回归”的对话框；
相关分析与回归分析 、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： 皮尔逊pearson 简单相关系数的计算与分析 学会在SPS 上实现一元及多元回归模型的计算与检验。 学会回归模型的散点图与样本方程图形。 学会对所计算结果进行统计分析说明。 要求试验前，了解回归分析的如下内容。 ? 参数a 、P 的估计 豊 回归模型的检验方法：回归系数 P 的显著性检验（t —检验）；回归 方程显 著性检验（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： y i = 00 + 0i X ii + 02X i2 +…中 0k X ik 中引 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： y i = f?o + f?X ii + ?2X i2 +…+ f?k X ik 回归模型中的参数估计出来之后，还必须对其进行检验。 模型有缺陷，则必须回到模型的设定阶段或参数估计阶段， (1) + e i 如果通过检验发现 重新选择被解释变量
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
线性回归是很重要的一种回归方法，但是线性回归只适用于因变量为连续型变量的情况，那如果因变量为分类变量呢？比方说我们想预测某个病人会不会痊愈，顾客会不会购买产品，等等，这时候我们就要用到logistic回归分析了。Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。 二值logistic回归： 选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。把你的自变量选到协变量的框框里边。 细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。那么我们为了模型的准确，就把这个交互效应也选到模型里去。我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。 然后在下边有一个方法的下拉菜单。默认的是进入，就是强迫所有选择的变量都进入到模型里边。除去进入法以外，还有三种向前法，三种向后法。一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。再下边的选择变量则是用来选择你的个案的。一般也不用管它。 选好主面板以后，单击分类（右上角），打开分类对话框。在这个对话框里边，左边的协变量的框框里边有你选好的自变量，右边写着分类协变量的框框则是空白的。你要把协变量里边的字符型变量和分类变量选到分类协变量里边去（系统会自动生成哑变量来方便分析，什么事哑变量具体参照前文）。这里的字符型变量指的是用值标签标注过得变量，不然光文字，系统也没法给你分析啊。选好以后，分类协变量下边还有一个更改对比的框框，我们知道，对于分类变量，spss需要有一个参照，每个分类都通过和这个参照进行比较来得到结果，更改对比这个框框就是用来选择参照的。默认的对比是指示符，也就是每个分类都和总体进行比较，除了指示符以外还有简单，差值等。这个框框不是很重要，默认就可以了。 点击继续。然后打开保存对话框，勾选概率，组成员，包含协方差矩阵。点击继续，打开选项对话框，勾选分类图，估计值的相关性，迭代历史，exp（B）的CI，在模型中包含常数，输出——在每个步骤中。如果你的协变量有连续型的，或者小样本，那还要勾选Hosmer-Lemeshow拟合度，这个拟合度表现的会较好一些。 继续，确定。 然后，就会输出结果了。主要会输出六个表。 第一个表是模型系数综合检验表，要看他模型的p值是不是小于0.05，判断我们这个logistic回归方程有没有意义。
SPSS—二元Logistic回归结果分析 分析结果如下： 1：在“案例处理汇总”中可以看出：选定的案例489个，未选定的案例361个，这个结果是根据设定的validate = 1得到的，在“因变量编码”中可以看出“违约”的两种结果“是”或者“否” 分别用值“1“和“0”代替，在“分类变量编码”中教育水平分为5类，如果选中“为完成高中，高中，大专，大学等，其中的任何一个，那么就取值为 1，未选中的为0，如果四个都未被选中，那么就是”研究生“ 频率分别代表了处在某个教育水平的个数，总和应该为489个
1：在“分类表”中可以看出：预测有360个是“否”（未违约）有129个是“是”（违约） 2：在“方程中的变量”表中可以看出：最初是对“常数项”记性赋值，B为 -1.026，标准误差为：0.103 那么wald =( B/S.E)2=(-1.026/0.103)2 = 99.2248, 跟表中的“100.029几乎接近，是因为我对数据进行的向下舍入的关系，所以数据会稍微偏小， B和Exp(B) 是对数关系，将B进行对数抓换后，可以得到：Exp(B) = e^-1.026 = 0.358, 其中自由度为1， sig为0.000，非常显著
1：从“不在方程中的变量”可以看出，最初模型，只有“常数项”被纳入了模型，其它变量都不在最初模型内 表中分别给出了，得分，df , Sig三个值, 而其中得分（Score)计算公式如下： （公式中（Xi- Xˉ) 少了一个平方） 下面来举例说明这个计算过程：(“年龄”自变量的得分为例） 从“分类表”中可以看出：有129人违约，违约记为“1”则违约总和为129，选定案例总和为489 那么：yˉ = 129/489 = 0.2638036809816 xˉ = 16951 / 489 = 34.664621676892 所以：∑(Xi-xˉ)2 = 30074.9979 yˉ（1-yˉ）=0.2638036809816 *（1-0.2638036809816 ）
SPSS实现一元线性回归分析实例 2009-12-14 15:31 1、准备原始数据。为研究某一大都市报开设周日版的可行性，获得了34种报纸的平日和周日的发行量信息(以千为单位)。数据如图1所示。SPSS17.0 图1 2、判断是否存在线性关系。制作直观散点图： （1）SPSS：菜单Analyze/Regression/linear Regression,如图2所示：
图2 （2）打开对话框如图3 图3
图3中，Dependent是因变量，Independent是自变量，分别将左栏中的sunday选入因变量，daily选入自变量，newspaper作为标识标签选入case labels. (3)点击图3对话框中的plots按钮，如图4所示： 图4 将因变量DEPENTENT 选入Y:，自变量 ZPRED 选入X: continue 返回上级对话框。单击主对话框OK.便生成散点图如图5所示：
图5 从以上散点图可看出，二者变量之间关系趋势呈线性关系。 2、回归方程 菜单Analyze/Regression/linear Regression， 在图3对话框的右边单击statistics如图6所示：
图6 regression coefficient回归系数，estimates估计值，confidence intervals level:95%置信区间，model fit拟合模型。点击continue返回主对话框，单击OK.结果如图7、图8所示： 图7 图7中第一个图是变量的输入与输出，从图下的提示可知所有变量均输入与输出，没有遗漏。图7中的第二图是模型总和R值，R平方值，R调整后的平方值，及标准误。
如何用spss17.0进行二元和多元logistic回归分析 一、二元logistic回归分析 二元logistic回归分析的前提为因变量是可以转化为0、1的二分变量，如：死亡或者生存，男性或者女性，有或无，Yes或No，是或否的情况。 下面以医学中不同类型脑梗塞与年龄和性别之间的相互关系来进行二元logistic回归分析。 （一）数据准备和SPSS选项设置 第一步，原始数据的转化：如图1-1所示，其中脑梗塞可以分为ICAS、ECAS和NCAS三种，但现在我们仅考虑性别和年龄与ICAS的关系，因此将分组数据ICAS、ECAS和NCAS转化为1、0分类，是ICAS赋值为1，否赋值为0。年龄为数值变量，可直接输入到spss中，而性别需要转化为（1、0）分类变量输入到spss当中，假设男性为1，女性为0，但在后续分析中系统会将1，0置换（下面还会介绍），因此为方便期间我们这里先将男女赋值置换，即男性为“0”，女性为“1”。 图1-1 第二步：打开“二值Logistic 回归分析”对话框： 沿着主菜单的“分析（Analyze）→回归（Regression）→二元logistic （Binary Logistic）”的路径（图1-2）打开二值Logistic 回归分析选项框（图1-3）。
如图1-3左侧对话框中有许多变量，但在单因素方差分析中与ICAS 显著相关的为性别、年龄、有无高血压，有无糖尿病等（P<0.05），因此我们这里选择以性别和年龄为例进行分析。
在图1-3中，因为我们要分析性别和年龄与ICAS的相关程度，因此将ICAS选入因变量（Dependent）中，而将性别和年龄选入协变量（Covariates）框中，在协变量下方的“方法（Method）”一栏中，共有七个选项。采用第一种方法，即系统默认的强迫回归方法（进入“Enter”）。 接下来我们将对分类（Categorical），保存（Save），选项（Options）按照如图1-4、1-5、1-6中所示进行设置。在“分类”对话框中，因为性别为二分类变量，因此将其选入分类协变量中，参考类别为在分析中是以最小数值“0（第一个）”作为参考，还是将最大数值“1（最后一个）”作为参考，这里我们选择第一个“0”作为参考。在“存放”选项框中是指将不将数据输出到编辑显示区中。在“选项”对话框中要勾选如图几项，其中“exp(B)的CI(X)”一定要勾选，这个就是输出的OR和CI值，后面的95%为系统默认，不需要更改。
第8 章利用SPSS 进行Logistic 回归分析 现实中的很多现象可以划分为两种可能，或者归结为两种状态，这两种状态分别用0 和1 表示。如果我们采用多个因素对0－1 表示的某种现象进行因果关系解释，就可能应用到logistic 回归。Logistic 回归分为二值logistic 回归和多值logistic 回归两类。首先用实例讲 述二值logistic 回归，然后进一步说明多值logistic 回归。在阅读这部分内容之前，最好先看看有关SPSS 软件操作技术的教科书。 §8.1 二值logistic 回归 8.1.1 数据准备和选项设置 我们研究2005 年影响中国各地区城市化水平的经济地理因素。城市化水平用城镇人口 比重表征，影响因素包括人均GDP、第二产业产值比重、第三产业产值比重以及地理位置。地理位置为名义变量，中国各地区被分别划分到三大地带：东部地带、中部地带和西部地带。我们用各地区的地带分类代表地理位置。 第一步：整理原始数据。这些数据不妨录入Excel 中。数据整理内容包括两个方面：一 是对各地区按照三大地带的分类结果赋值，用0、1 表示，二是将城镇人口比重转换逻辑值，变量名称为“城市化”。以各地区2005 年城镇人口比重的平均值45.41%为临界值，凡是城镇人口比重大于等于45.41%的地区，逻辑值用Yes 表示，否则用No 表示（图8-1-1） 图8-1-1 原始数据（Excel 中，局部） 将数据拷贝或者导入SPSS 的数据窗口（Data View）中（图8-1-2）。
图8-1-2 中国31 个地区的数据（SPSS 中，局部） 第二步：打开“聚类分析”对话框。 沿着主菜单的“Analyze→Regression→Binary Logistic K”的路径（图8-1-3）打开二值Logistic 回归分析选项框（图8-1-4）。 图8-1-3 打开二值Logistic 回归分析对话框的路径 对数据进行多次拟合试验，结果表明，像二产比重、三产比重等对城市化水平影响不显著。至于反映地区位置的分类变量，不宜一次性的全部引入，至多引入两个，比方说东部和 中部。通过尝试，发现引入中部地带为变量比较合适。因此，为了实例的典型性，我们采用两个变量作为自变量：一是数值变量人均GDP，二是分类变量中部地带。