9、市场分析与预测SPSS结果目录一元线性回归多元线性回归一般形式多重共线性及其处理逐步回归含有哑变量的回归只含有一个哑变量的回归含有哑变量和数值变量的回归线性概率模型与logit回归（二元选择）logit模型（多元选择）移动平均平滑简单指数平滑回归直线Holt指数平滑指数曲线多阶曲线残差自相关检验Winters指数平滑模型季节哑变量多元回归分解预测一元线性回归预测曲线Interactive Graph多元线性回归一般形式多重共线性及其处理逐步回归两个模型的系数矩阵含有哑变量的回归只含有一个哑变量的回归含有哑变量和数值变量的回归方差分析表Profile Plots均值图线性概率模型与logit回归（二元选择）基本操作步骤：（1）选择菜单：Analyze-Regression-Binary Logistic（2）选择一个被解释变量到Dependent框中，选择一个或多个解释变量到Covariates框中。
（3）在Method框后选择解释变量的筛选策略；（4）如果希望分析解释变量的交互影响是否对被解释变量产生显著的线性影响，可选择相应的变量，并按“>a*b>”按钮到Covariates框中；（5）如果解释变量为分类变量，可按Categorical按钮指定如何生成虚拟变量。
选择Covariates框中的分类变量到Categorical Covariates 框中，在Change Contrast框中的Contrast选项中选择参照类，并按change按钮。
（6）按Option按钮，可指定输出内容和设置建模中的某些参数；（7）按Save按钮，可以SPSS变量的形式将预测结果、残差等保存到数据编辑窗口中。
输出结果（一）：给出了分类因变量y的取值编码与分布情况。
案例处理汇总未加权的案例a N 百分比选定案例包括在分析中939 100.0 缺失案例0 .0 总计939 100.0未选定的案例0 .0a. 如果权重有效，请参见分类表以获得案例总数。
因变量编码初始值内部值Bush 0Perot 1分类变量编码频率参数编码(1)sex男467 1.000女472 .000输出结果（二）：显示了Logit回归初始阶段（第0步，方程中只有常数项）的情况。
可以看到，661人投了Bush的票且模型预测正确，正确率为100%；278人投了Perot的票，但模型预测错误，正确率为0%。
模型总的预测正确率为70.4%。
分类表a,b已观测已预测vote 百分比校正Bush Perot步骤 0 voteBush 661 0 100.0Perot 278 0 .0 总计百分比70.4a. 模型中包括常量。
b. 切割值为 .500输出结果（三）：显示了方程中只有常数项时的回归系数方面的指标，各数据项的含义一次为：回归系数、回归系数标准误差、Wald检验统计量的观测输出结果（四）：显示了待进入方程的解释变量的情况。
各数据项的含义依次是：Score检验统计量的观测值、自由度和概率P值。
例如，如果下一步受教育水平（Educ）进入方程，其概率P值为0.115大于显著性水平a=0.05，所以不能进入方程。
但是这里采用Enter策略，因此所有解释变量将强行进入方程。
不在方程中的变量得分df Sig.步骤 0 变量age 39.137 1 .000educ 2.483 1 .115sex(1) 3.859 1 .049 总统计量42.941 3 .000输出结果（五）：显示了所有解释变量强行进入方程时回归方程的总体情况，各数据项的含义依次是：似然比卡方的观测值、自由度和概率P 值。
本例所选变量均进入方程，与前一步相比，似然比卡方的观测值为46.234，概率P值为0.000，小于显著性水平a=0.05，应拒绝原假设，认为所有回归系数不同时为0，该模型是合理的。
这里分别输出了三行似然比卡方值。
其中，Step（步骤）行是本步与前一步相比的似然比卡方；Block（块）行是本块与前面一块相比的似然比卡方；Model（模型）行是本模型与前一模型相比的似然比卡方值。
本例中，由于解释变量是一次性强制进入模型的，所以三行结果相同。
模型系数的综合检验卡方df Sig.步骤 1 步骤46.234 3 .000 块46.234 3 .000 模型46.234 3 .000输出结果（六）：显示了当前模型拟合优度方面的指标，-2倍的对数似然函数越小，则模型拟合优度越高，本例中的该值较大，拟合优度并不理想，且Cox&Snelly R2以及Nagelkerke R2都很小，也说明拟合优度较低。
a. 因为参数估计的更改范围小于 .001，所以估计在迭代次数 4处终止。
输出结果（七）：显示了当前模型的预测结果矩阵，脚注中切割点.500表示，如果预测概率值大于0.05，则认为解释变量的分类预测值为1；如果小于0.05,则认为被解释变量的分类预测值为0。
在投票给Bush的661人中，模型正确识别了659人，错误识别了人，正确率为99.7%；在投票给Perot的278人中，正确识别了1人，错误识别了277人，正确率仅有0.4%。
模型总体的预测正确率70.3%。
a. 切割值为 .500输出结果（八）：显示了当前模型中各回归系数方面的指标。
可以看出，如果显著性水平a为0.05，Age的Wald检验的概率P值小于显著性水平a，而Education 和Sex的Wald检验的概率P值大于显著性水平a，因此，Age（年龄）对选民投票倾向的影响是显著的，而Education（受教育水平）和Sex（性别）对选民投票倾向无显著影响。
根据模型系数判断，年长的选民更倾向于将选票投给Bush，年轻的选民则倾向于将选票投给Perot。
方程中的变量B S.E, Wals df Sig. Exp (B)步骤 1a age -.031 .005 36.210 1 .000 .969 educ .016 .019 .770 1 .380 1.017 sex(1) .285 .147 3.761 1 .052 1.329 常量.149 .374 .158 1 .691 1.160a. 在步骤 1 中输入的变量: age, educ, sex.logit模型（多元选择）基本操作步骤：（1）选择菜单：Analyze-Regression-Multinomial Logistic；（2）选择被解释变量到Dependent框中，按Reference Category按钮指定被解释变量的参照类别；（3）选择分类型解释变量到Factors框中，选择数值型解释变量到Covariates框中；（4）按Model按钮指定模型类型；（5）按Statistics按钮指定输出哪些统计量。
（6）按Save按钮，选择适当选项后，SPSS将自动将预测结果以变量的形式存储到数据编辑窗口中。
输出结果（一）：给出了选民投票和选民性别的分布情况。
案例处理摘要N 边际百分比vote Bush 661 35.8% Perot 278 15.1% Clinton 908 49.2%sex男 804 43.5% 女 1043 56.5% 有效1847 100.0%缺失0 总计1847 子总体 856aa. 因变量只有一个在 533 (62.3%) 子总体中观察到的值。
Logisitic 回归分析相同。
第三个统计量McFadden 一般在0.3至0.5之间就相当理想了。
输出结果（三）：给出了只有截距项的模型和最终模型的回归方程显著性检验结果。
可以看出，仅含截距项的模型的-2倍的对数似然值为2537，而最终模型为2447，似然比卡方值为89.888，概率P 值为0.000，小于显著性水平a=0.05，说明解释变量总体上对被解释变量的影响是显著的，也就说模型总体来讲是有效的。
输出结果（四）：给出了模型参数的估计结果，表中项目依次为回归系数估计值、标准误差、Wald 统计量的观测值、自由度、Wald 统计量观测值对应的概率P 值等。
于是得到两个方程，第一个方程被解释变量为选择Bush 的概率与选择Perot 的概率之比的自然对数，第二个方程为选择Clinton 的概率与选择Perot 的概率之比的自然对数。
根据两个方程的显著性水平来看，在a=0.05的条件下，受教育水平（Education ）都是不显著的，而年龄和性别则是显著的。
根据Perot 而言，年长者和女性更倾向于选择Clinton 。
age .034 .005 46.429 1 .000 1.034educ -.006 .017 .137 1 .711 .994[sex=1.00] -.735 .141 27.223 1 .000 .480[sex=2.00] 0b. . 0 . .移动平均平滑用EXCEL比较简便，结果见教师版题目EXCEL文件中“时间序列的成分和预测方法”工作表。
简单指数平滑Model DescriptionModel TypeModel ID 棉花产量Model_1 Simple保存变量截图回归直线Holt指数平滑保存变量截图指数曲线保存变量截图多阶曲线Curve Fit保存变量截图残差自相关检验Winters指数平滑模型保存变量截图季节哑变量多元回归系数估计分解预测Seasonal Decomposition 保存变量截图根据分离季节性因素的序列确定线性趋势方程，即使用STC_1数据进行一元回归根据回归方程求出不含季节因素的预测值PRE_2，预测值乘以相应的季节指数SAF_1，即为分解预测的最终预测值保存变量截图。
![市场调查与预测第二版习题参考答案[28页]](https://img.taocdn.com/s1/m/738ea8c60066f5335b81213a.png)