回归分析例题SPSS求解过程

用SPSS进行曲线回归分析实例曲线回归分析在一元回归中，若因变量和自变量相关的趋势不是线性分布，呈现曲线关系。

这种情况可以利用SPSS提供的曲线估计过程(Curve Estimation)方便地进行线性拟合，选出最佳的回归模型来拟合出相应曲线。

下面以一个实例来介绍曲线拟合的基本步骤和使用方法。

例子台湾稻螟蚁螟侵入不同叶龄稻茎后的生存率数据（表4-1）。

拟合出适合的曲线模型，来表达不同叶龄稻茎对台湾稻螟蚁螟侵入的生存关系。

表4-1 台湾稻螟蚁螟侵入不同叶龄稻茎后的生存率数据本例子数据保存在DATA6-3.SAV。

1）准备分析数据在SPSS数据编辑窗口建立变量“生存率”和“叶龄”两个变量，把表6-13中的数据输入到对应的变量中。

或者打开已经存在的数据文件（DATA6-3.SAV）。

2）启动线性回归过程单击SPSS主菜单的“Analyze”下的“Regression”中“Curve Estimation”项，将打开如图4-1所示的线回归对话窗口。

图4-1 线回归对话窗口3) 设置分析变量设置因变量：从左侧的变量列表框中选择一个或多个因变量进入“Dependent(s)”框。

本例子选“生存率”变量为因变量。

设置自变量：选择一个变量为自变量，进入“Independent”框，也可选取“Independent”框中的“Time”项，即以时间为自变量。

本例子选“叶龄”变量为自变量。

选择标签变量: 选择一个变量进入到“Case Labels”框中，该变量为标签变量，可以利用该变量的值在图上查找观测值。

本例子没有标签变量。

4）选择曲线方程模型在“Models”框中选择一个或多个回归方程模型，这11个模型都可化为相应的线性模型。

其中各项的意义分别为：(1) Linear 线性模型(2) Quadratic 二次模型(3) Compound 复合模型(4) Growth 生长模型(5) Logarithmic 对数模型(6) S 形模型(7) Cubic 抛物线模型(8) Exponential 指数的模型(9) Inverse 倒数模型(10) Power 幂函数模型(11) Logistic 逻辑斯蒂模型在各项模型上单击鼠标右键，可以得到模型的方程类型。

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.5.点击右侧Options，默认，点击Continue.6.返回主对话框，单击OK.输出结果分析：1.引入/剔除变量表Variables Entered/Removed aModel Variables Entered Variables Removed Method1 城市人口密度(人/平方公里) . Stepwise (Criteria:Probability-of-F-to-enter<= .050,Probability-of-F-to-remove >=.100).2 城市居民人均可支配收入(元) . Stepwise (Criteria:Probability-of-F-to-enter<= .050,Probability-of-F-to-remove >=.100).a. Dependent Variable: 商品房平均售价（元/平方米）该表显示模型最先引入变量城市人口密度(人/平方公里)，第二个引入模型的是变量城市居民人均可支配收入(元)，没有变量被剔除。

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.5.点击右侧Options，默认，点击Continue.6.返回主对话框，单击OK.输出结果分析：1.引入/剔除变量表Variables Entered/Removed aModel Variables Entered Variables Removed Method1 城市人口密度(人/平方公里) . Stepwise (Criteria:Probability-of-F-to-enter<= .050,Probability-of-F-to-remove >=.100).2 城市居民人均可支配收入(元) . Stepwise (Criteria:Probability-of-F-to-enter<= .050,Probability-of-F-to-remove >=.100).a. Dependent Variable: 商品房平均售价（元/平方米）该表显示模型最先引入变量城市人口密度(人/平方公里)，第二个引入模型的是变量城市居民人均可支配收入(元)，没有变量被剔除。

SPSS作业6：回归分析（一）回归分析多元线性回归模型的基本操作：（1）选择菜单Analyze－Regression－Linear；（2）选择被解释变量（能源消费标准煤总量）和解释变量（国内生产总值、工业增加值、建筑业增加值、交通运输邮电业增加值、人均电力消费、能源加工转换效率）到对应框中；（3）在Method框中，选择Enter方法；在Statistics框中，选择Estimates、Model fit、Covariancematrix、Collinearity diagnostics选项；在Plots框中，选择ZRESED到Y框，ZPRED到X框，再选择Histogram和Normal plot；（4）选择菜单Analyze－Non Test－1-Sanple K-S;选择菜单Analyze－Correlate－Brivariate;结果如下：Regression能源消费需求的多元线性回归分析结果（强制进入策略）（一）Model Summary bModel R R Square Adjusted R Square Std. Error of the Estimate1 .990a.980 .973 8480.38783a. Predictors: (Constant), 能源加工转换效率/%, 交通运输邮电业增加值/亿元, 工业增加值/亿元, 人均电力消费/千瓦时, 建筑业增加值/亿元, 国内生产总值/亿元b. Dependent Variable: 能源消费标准煤总量/万吨分析：被解释变量和解释变量的复相关系数为0.990，判定系数为0.980，调整的判定系数为0.973，回归方程的估计标准误差为8480.38783。

该方程有6个解释变量，调整的判定系数为0.973，，接近于1，所以拟合优度较高，被解释变量可以被模型解释的部分较多，未能解释的部分较少。

分析：由上可知，被解释变量的总离差平方和为5.882E10，回归平方和及均方分别为5.766E10和9.611E9，剩余平方和及均方分别为1.151E9和7.192E7，F检验统计量的观测值为133.636，对应的概率p值近似为0。

SPSS作业8：二项Logistic回归分析为研究和预测某商品消费特点和趋势，收集到以往胡消费数据.数据项包括是否购买，性别,年龄和收入水平。

这里采用Logistic回归的方法，是否购买作为被解释变量（0/1二值变量）,其余各变量为解释变量，且其中性别和收入水平为品质变量，年龄为定距变量。

变量选择采用Enter方法，性别以男为参照类，收入以低收入为参照类。

（一）基本操作：（1)选择菜单Analyz e－Regression－Binary Logistic；（2)选择是否购买作为被解释变量到Dependent框中，选其余各变量为解释变量到Covariates框中，采用Enter方法，结果如下：消费的二项Logistic分析结果（一）（强制进入策略）Categorical Variables CodingsFrequency Parameter coding （1) (2)收入低收入132 .000 .000中收入144 1.000 。

000高收入155 。

000 1。

000性别男191 。

000女240 1.000分析：上表显示了对品质变量产生虚拟变量的情况，产生的虚拟变量命名为原变量名（编码)。

可以看到，对收入生成了两个虚拟变量名为Income（1）和Income（2），分别表示是否中收入和是否高收入，两变量均为0时表示低收入；对性别生成了一个虚拟变量名为Gedder（1），表示是否女，取值为0时表示为男。

消费的二项Logistic 分析结果（二）（强制进入策略）Block 0: Beginning BlockClassification Table a,bObserved Predicted是否购买 Percentage Correct不购买购买Step 0是否购买不购买 269 0 100。

购买162。

0 Overall Percentage62。

4a 。

Constant is included in the model 。

SPSS—回归—多元线性回归结果分析（二）2011-10-27 14:44，最近一直很忙，公司的潮起潮落，就好比人生的跌岩起伏，眼看着一步步走向衰弱，却无能为力，也许要学习“步步惊心”里面“四阿哥”的座右铭：“行到水穷处”，”坐看云起时“。

接着上一期的“多元线性回归解析”里面的内容，上一次，没有写结果分析，这次补上，结果分析如下所示：结果分析1：由于开始选择的是“逐步”法，逐步法是“向前”和“向后”的结合体，从结果可以看出，最先进入“线性回归模型”的是“price in thousands"建立了模型1，紧随其后的是“Wheelbase"建立了模型2，所以，模型中有此方法有个概率值，当小于等于0.05时，进入“线性回归模型”（最先进入模型的，相关性最强，关系最为密切）当大于等 0.1时，从“线性模型中”剔除结果分析：1：从“模型汇总”中可以看出，有两个模型，（模型1和模型2）从R2 拟合优度来看，模型2的拟合优度明显比模型1要好一些（0.422>0.300）2：从“Anova"表中，可以看出“模型2”中的“回归平方和”为115.311，“残差平方和”为153.072，由于总平方和= 回归平方和+残差平方和，由于残差平方和(即指随即误差，不可解释的误差）由于“回归平方和”跟“残差平方和”几乎接近，所有，此线性回归模型只解释了总平方和的一半，3：根据后面的“F统计量”的概率值为0.00，由于0.00<0.01，随着“自变量”的引入，其显著性概率值均远小于 0.01，所以可以显著地拒绝总体回归系数为0的原假设，通过ANOVA方差分析表可以看出“销售量”与“价格”和“轴距”之间存在着线性关系，至于线性关系的强弱，需要进一步进行分析。

结果分析：1：从“已排除的变量”表中，可以看出：“模型2”中各变量的T检的概率值都大于“0.05”所以，不能够引入“线性回归模型”必须剔除。

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.5.点击右侧Options，默认，点击Continue.6.返回主对话框，单击OK.输出结果分析： 1.引入/剔除变量表该表显示模型最先引入变量城市人口密度 (人/平方公里)，第二个引入模型的是变量城市居民人均可支配收入(元)，没有变量被剔除。

上机操作8 曲线回归估计的SPSS分析习题：落叶松林单位面积的蓄积量（V）和胸高断面积（D）的测定数据如下表，V(m3) 46 56 67 65 89 86 103 108 121 118D(m2) 4.7 5.4 6.3 7.2 7.8 8.8 9.9 11.7 11.4 11.8（1）定义变量：打开SPSS数据编辑器，点击“变量视图”，在名称列下输入“V”、“D”，改“类型”栏均为“数字”，“小数”栏分别保留0位和1位。

（2）输入数据：在“数据视图”模式下，在各名称列输入相应的数据，如图所示：二、分析过程分析→回归→曲线估计，将“V”添加到“因变量”中，将“D”添加到“变量”中，勾选模型中的“二次模型”、“复合”、“对数”、“立方模型”、“指数”、“幂”、“”、“Logistic”,→确定。

三、输出结果分析曲线拟合MODEL: MOD_1.Dependent variable.. V Method.. LOGARITH（对数曲线模型）Listwise Deletion of Missing DataMultiple R （负相关系数） .97210R Square（决定系数） .94498Adjusted R Square .93811Standard Error 6.59944Analysis of Variance（方差分析）:DF（自由度） Sum of Squares Mean Square（均方）Regression（回归） 1 5984.4787 5984.4787Residuals（残差） 8 348.4213 43.5527F = 137.40787 Signif F = .0000 （小于0.05，具有极显著性）-------------------- Variables in the Equation （方程中的变量）--------------------Variable B（系数） SE B Beta T Sig T（T的显著性水平）D 78.152283 6.667083 .972102 11.722 .0000（小于0.05）(Constant) -77.682919 14.110257 -5.505 .0006（小于0.05）分析可知：蓄积量（V）与胸高段面积（D）的相关性为0.97210，它们的F 检验Sig.<0.01，说明蓄积量（V）与胸高段面积（D）达到极显著水平，即蓄积量（V）与胸高段面积（D）的方程具有统计学意义。