第 1 页 共 5 页 广东金融学院实验报告
课程名称：市场调查与预测
实验编号
及实验名称 实验四：SPSS一元线性相关回归分析预测 系 别 工商管理系
姓 名 黄海涛 学 号 101521233 班 级 市场营销2班
实验地点 实验中心 实验日期 2012.12.24 实验时数 4
指导教师 周刺天 同组其他成员 无 成 绩
一、实验目的及要求
利用SPSS进行回归分析。
二、实验环境及相关情况（包含使用软件、实验设备、主要仪器及材料等）
通过实验教学中心的教学环境发布相关练习资料。
软件运行环境：操作系统WindowsXP，办公自动化软件，SPSS统计分析软件包。
硬件设备：实验室的个人电脑。
三、实验内容及步骤（包含简要的实验步骤流程）
为了了解某地母亲身高x与女儿身高Y的相关关系，随机测得10对母女的身高（见文件“母女身高.sav”）。利用SPSS软件，完成以下任务：
1.画出x、Y散点图，观察因变量与自变量之间关系是否有线性特点；
2.试对x与Y进行一元线性回归分析，列出一元线性回归预测模型；
3.预测当母亲身高为161cm时女儿的身高？
答：1、【实验步骤】：
（1）在数据编辑窗口中打开 “母女身高.sav”。
（2）选择菜单：
【图形】→【旧对话框】→【散点/点状】
（3）出现下面的对话框。
（4）点击【简单分布】按钮，出现下面对话框。
（5）将变量“女儿身高”、“母亲身高”依次选入Y轴与X轴，单击【确定】按钮即可。
第 2 页 共 5 页
2、【实验步骤】：
（1）在数据编辑窗口中打开 “母女身高.sav”。
（2）选择菜单：
【分析】→【回归】→【线性】
（3）这时将出现以下对话框，在左侧变量框中选择“女儿身高”，单击右向按钮，选入右侧上方的“因变量”框中，作为模型的被解释变量。再选择“母亲身高”，单击右向按钮，选入右侧下方的“自变量”框中，作为模型的解释变量。
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
地区 消费性支出Y (元) 可支配收入X（元）
北 京 19934.48 29072.93
天 津 16561.77 24292.60
河 北 10318.32 16263.43
山 西 9792.65 15647.66
内蒙古 13994.62 17698.15
辽 宁 13280.04 17712.58
吉 林 11679.04 15411.47
黑龙江 10683.92 13856.51
上 海 23200.40 31838.08
江 苏 14357.49 22944.26
浙 江 17858.20 27359.02
安 徽 11512.55 15788.17
福 建 14750.01 21781.31
江 西 10618.69 15481.12
山 东 13118.24 19945.83
河 南 10838.49 15930.26
SPSS-相关性和回归分析（一元线性方程）案例解析
2011-09-06 12:56
任何事物和人都不是以个体存在的，它们都被复杂的关系链所围绕着，具有一定的相关性，也会具备一定的因果关系，（比如：父母和子女，不仅具备相关性，而且还具备因果关系，因为有了父亲和母亲，才有了儿子或女儿），但不是所有相关联的事物都具备因果关系。
下面用SPSS采用回归—线性分析的方式来分析一下：居民总储蓄 和 “居民总消费”情况是否具备相关性，如果具备相关性，那相关关系的密切程度为多少。
下面以“居民总储蓄”和“居民总消费”的调查样本做统计分析，数据如下所示：
第一步：我们先来分析“居民总储蓄”和“居民总消费”是否具备相关性 （采用SPSS 19版本）
1：点击“分析”—相关—双变量， 进入如下界面：
将“居民总储蓄”和“居民总消费”两个变量移入“变量”框内，在“相关系数”栏目中选择“Pearson"，（Pearson是一种简单相关系数分析和计算的方法，如果需要进行进一步分析，需要借助“多远线性回归”分析）在“显著性检验”中选择“双侧检验”并且勾选“标记显著性相关”点击确定， 得到如下结果：
从以上结果，可以看出“Pearson"的相关性为0.821，（可以认为是“两者的相关系数为0.821）属于“正相关关系”同时“显著性（双侧） 结果为0.000， 由于0.000<0.01，所以具备显著性，得出：“居民总储蓄”和“居民总消费”具备相关性，有关联。
既然具备相关性，那么我们将进一步做分析, 建立回归分析，并且构建“一元线性方程”，如下所示：
点击“分析”--回归----线性” 结果如下所示：
将“因变量”和“自变量”分别拖入框内 （如上图所示）从上图可以看出：“自变量”指 “居民总储蓄” , "因变量”是指“居民总消费”
点击“统计量”进入如下界面：
在“回归系数”中选择“估计” 在右边选择“模型拟合度” 在残差下面选择“Durbin-watson(u), 点击继续按钮
SPSS的线性回归分析分析
SPSS是一款广泛用于统计分析的软件，其中包括了许多功能强大的工具。其中之一就是线性回归分析，它是一种常用的统计方法，用于研究一个或多个自变量对一个因变量的影响程度和方向。
线性回归分析是一种用于解释因变量与自变量之间关系的统计技术。它主要基于最小二乘法来评估自变量与因变量之间的关系，并估计出最合适的回归系数。在SPSS中，线性回归分析可以通过几个简单的步骤来完成。
首先，需要加载数据集。可以选择已有的数据集，也可以导入新的数据。在SPSS的数据视图中，可以看到所有变量的列表。
接下来，选择“回归”选项。在“分析”菜单下，选择“回归”子菜单中的“线性”。
在弹出的对话框中，将因变量拖放到“因变量”框中。然后，将自变量拖放到“独立变量”框中。可以选择一个或多个自变量。
在“统计”选项中，可以选择输出哪些统计结果。常见的选项包括回归系数、R方、调整R方、标准误差等。
在“图形”选项中，可以选择是否绘制残差图、分布图等。
点击“确定”后，SPSS将生成线性回归分析的结果。
线性回归结果包括多个重要指标，其中最重要的是回归系数和R方。回归系数用于衡量自变量对因变量的影响程度和方向，其值表示每个自变量单位变化对因变量的估计影响量。R方则反映了自变量对因变量变异的解释程度，其值介于0和1之间，越接近1表示自变量对因变量的解释程度越高。
除了回归系数和R方外，还有其他一些统计指标可以用于判断模型质量。例如，标准误差可以用来衡量回归方程的精确度。调整R方可以解决R方对自变量数量的偏向问题。
此外，SPSS还提供了多种工具来检验回归方程的显著性。例如，可以通过F检验来判断整个回归方程是否显著。此外，还可以使用t检验来判断每个自变量的回归系数是否显著。
在进行线性回归分析时，还需要注意一些统计前提条件。例如，线性回归要求因变量与自变量之间的关系是线性的。此外，还需要注意是否存在多重共线性，即自变量之间存在高度相关性。
