下载文档原格式
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。
线性回归分析的SPSS操作本节内容主要介绍如何确定并建立线性回归方程。
包括只有一个自变量的一元线性回归和和含有多个自变量的多元线性回归。
为了确保所建立的回归方程符合线性标准，在进行回归分析之前，我们往往需要对因变量与自变量进行线性检验。
也就是类似于相关分析一章中讲过的借助于散点图对变量间的关系进行粗略的线性检验，这里不再重复。
另外，通过散点图还可以发现数据中的奇异值，对散点图中表示的可能的奇异值需要认真检查这一数据的合理性。
1、一元线性回归分析1．数据以本章第三节例3的数据为例，简单介绍利用SPSS如何进行一元线性回归分析。
数据编辑窗口显示数据输入格式如下图7-8（文件7-6-1.sav）：图7-8：回归分析数据输入2．用SPSS进行回归分析，实例操作如下：2.1.回归方程的建立与检验（1）操作①单击主菜单Analyze / Regression / Linear…，进入设置对话框如图7-9所示。
从左边变量表列中把因变量y选入到因变量（Dependent）框中，把自变量x选入到自变量（Independent）框中。
在方法即Method一项上请注意保持系统默认的选项Enter，选择该项表示要求系统在建立回归方程时把所选中的全部自变量都保留在方程中。
所以该方法可命名为强制进入法（在多元回归分析中再具体介绍这一选项的应用）。
具体如下图所示：图7-9 线性回归分析主对话框②请单击Statistics…按钮，可以选择需要输出的一些统计量。
如Regression Coefficients(回归系数)中的Estimates，可以输出回归系数及相关统计量，包括回归系数B、标准误、标准化回归系数BETA、T值及显著性水平等。
Model fit项可输出相关系数R，测定系数R2，调整系数、估计标准误及方差分析表。
上述两项为默认选项，请注意保持选中。
设置如图7-10所示。
设置完成后点击Continue返回主对话框。
图7-10：线性回归分析的Statistics选项图7-11：线性回归分析的Options选项回归方程建立后，除了需要对方程的显著性进行检验外，还需要检验所建立的方程是否违反回归分析的假定，为此需进行多项残差分析。
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 s ource——OK.第二步：1.在最上面菜单里面选中Analyze——Regression——Linear，Depende n（t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DEPENDN T（因变量）作为横轴变量；勾选选项组中的Standardized Residual Plo t（s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.a. Predictors: (Constant), 城市人口密度 (人/平方公里)b. Predictors: (Constant), 城市人口密度 (人/平方公里), 城市居民人均可支配收入(元)c. Dependent Variable: 商品房平均售价（元/平方米）Variables Entered/Removed aModel 1Variables Entered 城市人口密度 (人/平方公里)Variables Removed2城市居民人均可支配收入(元)Method. Stepwise (Criteria: Probability-of-F-to-enter <= .050,Probability-of-F-to-remove >= .100).. 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）该表显示模型的拟合情况。
多元回归分析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数据保存在“DATA6-5.SAV”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。
图2-1或者打开已存在的数据文件“DATA6-5.SAV”。
2）启动线性回归过程单击SPSS主菜单的“Analyze”下的“Regression”中“Linear”项，将打开如图2-2所示的线性回归过程窗口。
图2-2 线性回归对话窗口3) 设置分析变量设置因变量：用鼠标选中左边变量列表中的“幼虫密度[y]”变量，然后点击“Dependent”栏左边的向右拉按钮，该变量就移到“Dependent”因变量显示栏里。
spss多元线性回归分析结果解读SPSS多元线性回归分析结果解读1. 引言多元线性回归分析是一种常用的统计分析方法，用于研究多个自变量对因变量的影响程度及相关性。
SPSS是一个强大的统计分析软件，可以进行多元线性回归分析并提供详细的结果解读。
本文将通过解读SPSS多元线性回归分析结果，帮助读者理解分析结果并做出合理的判断。
2. 数据收集与变量说明在进行多元线性回归分析之前，首先需要收集所需的数据，并明确变量的含义。
例如，假设我们正在研究学生的考试成绩与他们的学习时间、家庭背景、社会经济地位等因素之间的关系。
收集到的数据包括每个学生的考试成绩作为因变量，以及学习时间、家庭背景、社会经济地位等作为自变量。
变量说明应当明确每个变量的测量方式和含义。
3. 描述性统计分析在进行多元线性回归分析之前，我们可以首先对数据进行描述性统计分析，以了解各个变量的分布情况。
SPSS提供了丰富的描述性统计方法，如均值、标准差、最小值、最大值等。
通过描述性统计分析，我们可以获得每个变量的分布情况，如平均值、方差等。
4. 相关性分析多元线性回归的前提是自变量和因变量之间存在一定的相关性。
因此，在进行回归分析之前，通常需要进行相关性分析来验证自变量和因变量之间的关系。
SPSS提供了相关性分析的功能，我们可以得到每对变量之间的相关系数以及其显著性水平。
5. 多元线性回归模型完成了描述性统计分析和相关性分析后，我们可以构建多元线性回归模型。
SPSS提供了简单易用的界面，我们只需要选择因变量和自变量，然后点击进行回归分析。
在SPSS中，我们可以选择不同的回归方法，如逐步回归、前向回归、后向回归等。
6. 回归结果解读在进行多元线性回归分析后，SPSS将提供详细的回归结果。
我们可以看到每个自变量的系数、标准误差、t值、显著性水平等指标。
系数表示自变量与因变量之间的关系程度，标准误差表示估计系数的不确定性，t值表示系数的显著性，显著性水平则表示系数是否显著。
多元回归分析SPSS
SPSS可以进行多元回归分析的步骤如下：
1.导入数据：首先需要将所需的数据导入SPSS软件中。
可以使用SPSS的数据导入功能，将数据从外部文件导入到工作空间中。
2.选择自变量和因变量：在进行多元回归分析之前，需要确定作为自
变量和因变量的变量。
在SPSS中，可以使用变量视图来选择所需的变量。
3.进行多元回归分析：在SPSS的分析菜单中，选择回归选项。
然后
选择多元回归分析，在弹出的对话框中将因变量和自变量输入相应的框中。
可以选择是否进行数据转换和标准化等选项。
4.分析结果的解释：多元回归分析完成后，SPSS将生成一个回归模
型的结果报告。
该报告包括各个自变量的系数、显著性水平、调整R平方
等统计指标。
根据这些统计指标可以判断自变量与因变量之间的关系强度
和显著性。
5.进一步分析：在多元回归分析中，还可以进行进一步的分析，例如
检查多重共线性、检验模型的假设、进一步探索变量之间的交互作用等。
通过多元回归分析可以帮助研究者理解因变量与自变量之间的关系，
预测因变量的值，并且确定哪些自变量对因变量的解释更为重要。
在
SPSS中进行多元回归分析可以方便地进行数值计算和统计推断，提高研
究的科学性和可信度。
总结来说，多元回归分析是一种重要的统计分析方法，而SPSS是一
个功能强大的统计软件工具。
通过结合SPSS的多元回归分析功能，研究
者可以更快速、准确地进行多元回归分析并解释结果。
以上就是多元回归分析SPSS的相关内容简介。
spss多元线性回归分析中负影响关系
在SPSS多元线性回归分析中,负影响关系指的是自变量与因变量之间出现了负相关关系。
也就是说,当自变量的数值增加时,因变量的数值会减少。
例如,在研究学生成绩的影响因素时,我们可能会同时考虑学生的出勤率和上课期间使用手机的时间,如果发现上课期间使用手机的时间与学生的成绩呈现负相关关系,那么我们可以认为使用手机会对学生的成绩产生负面影响。
在SPSS中,我们可以通过多元线性回归分析来探究自变量和因变量之间的关系,并通过系数的正负来判断它们之间的影响关系。
当系数为负数时,说明自变量与因变量呈负相关关系,即该自变量会对因变量产生负面影响。
SPSS多元线性回归结果分析输出下⾯三张表第⼀张R⽅是拟合优度对总回归⽅程进⾏F检验。
显著性是sig。
结果的统计学意义，是结果真实程度（能够代表总体）的⼀种估计⽅法。
专业上，p 值为结果可信程度的⼀个递减指标，p 值越⼤，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。
p 值是将观察结果认为有效即具有总体代表性的犯错概率。
如 p=0.05 提⽰样本中变量关联有 5% 的可能是由于偶然性造成的。
即假设总体中任意变量间均⽆关联，我们重复类似实验，会发现约 20 个实验中有⼀个实验，我们所研究的变量关联将等于或强于我们的实验结果。
（这并不是说如变量间存在关联，我们可得到 5% 或 95% 次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效⼒有关。
）在许多研究领域，0.05 的 p 值通常被认为是可接受错误的边界⽔平。
F检验：对于多元线性回归模型，在对每个回归系数进⾏显著性检验之前，应该对回归模型的整体做显著性检验。
这就是F检验。
当检验被解释变量y t与⼀组解释变量x1, x2 , ... , x k -1是否存在回归关系时，给出的零假设与备择假设分别是H0：b1 = b2 = ... = b k-1 = 0 ,H1：b i, i = 1, ..., k -1不全为零。
⾸先要构造F统计量。
由（3.36）式知总平⽅和（SST）可分解为回归平⽅和（SSR）与残差平⽅和（SSE）两部分。
与这种分解相对应，相应⾃由度也可以被分解为两部分。
SST具有T - 1个⾃由度。
这是因为在T个变差 ( y t -), t = 1, ..., T，中存在⼀个约束条件，即 = 0。
由于回归函数中含有k个参数，⽽这k个参数受⼀个约束条件制约，所以SSR具有k -1个⾃由度。
因为SSE中含有T个残差，= y t -, t = 1, 2, ..., T，这些残差值被k个参数所约束，所以SSE具有T - k个⾃由度。
多元回归分析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数据保存在“DATA6-5.SAV”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。
图2-1或者打开已存在的数据文件“DATA6-5.SAV”。
2）启动线性回归过程单击SPSS主菜单的“Analyze”下的“Regression”中“Linear”项，将打开如图2-2所示的线性回归过程窗口。
图2-2 线性回归对话窗口3) 设置分析变量设置因变量：用鼠标选中左边变量列表中的“幼虫密度[y]”变量，然后点击“Dependent”栏左边的向右拉按钮，该变量就移到“Dependent”因变量显示栏里。
设置自变量：将左边变量列表中的“蛾量[x1]”、“卵量[x2]”、“降水量[x3]”、“雨日[x4]”变量，选移到“Independent(S)”自变量显示栏里。
设置控制变量: 本例子中不使用控制变量，所以不选择任何变量。
选择标签变量: 选择“年份”为标签变量。
选择加权变量: 本例子没有加权变量，因此不作任何设置。
4）回归方式本例子中的4个预报因子变量是经过相关系数法选取出来的，在回归分析时不做筛选。
因此在“Method”框中选中“Enter”选项，建立全回归模型。
5）设置输出统计量单击“Statistics”按钮，将打开如图2-3所示的对话框。
该对话框用于设置相关参数。
其中各项的意义分别为：图2-3 “Statistics”对话框①“Regression Coefficients”回归系数选项：“Estimates”输出回归系数和相关统计量。
“Confidence interval”回归系数的95%置信区间。
“Covariance matrix”回归系数的方差-协方差矩阵。
本例子选择“Estimates”输出回归系数和相关统计量。
②“Residuals”残差选项：“Durbin-Watson”Durbin-Watson检验。
“Casewise diagnostic”输出满足选择条件的观测量的相关信息。
选择该项，下面两项处于可选状态：“Outliers outside standard deviations”选择标准化残差的绝对值大于输入值的观测量；“All cases”选择所有观测量。
本例子都不选。
③其它输入选项“Model fit”输出相关系数、相关系数平方、调整系数、估计标准误、ANOVA表。
“R squared change”输出由于加入和剔除变量而引起的复相关系数平方的变化。
“Descriptives”输出变量矩阵、标准差和相关系数单侧显著性水平矩阵。
“Part and partial correlation”相关系数和偏相关系数。
“Collinearity diagnostics”显示单个变量和共线性分析的公差。
本例子选择“Model fit”项。
6）绘图选项在主对话框单击“Plots”按钮，将打开如图2-4所示的对话框窗口。
该对话框用于设置要绘制的图形的参数。
图中的“X”和“Y”框用于选择X轴和Y轴相应的变量。
图2-4“Plots”绘图对话框窗口左上框中各项的意义分别为：∙“DEPENDNT”因变量。
∙“ZPRED”标准化预测值。
∙“ZRESID”标准化残差。
∙“DRESID”删除残差。
∙“ADJPRED”调节预测值。
∙“SRESID”学生氏化残差。
∙“SDRESID”学生氏化删除残差。
“Standardized Residual Plots”设置各变量的标准化残差图形输出。
其中共包含两个选项：“Histogram”用直方图显示标准化残差。
“Normal probability plots”比较标准化残差与正态残差的分布示意图。
“Produce all partial plot”偏残差图。
对每一个自变量生成其残差对因变量残差的散点图。
本例子不作绘图，不选择。
7) 保存分析数据的选项在主对话框里单击“Save”按钮，将打开如图2-5所示的对话框。
图2-5 “Save”对话框①“Predicted Values”预测值栏选项：Unstandardized 非标准化预测值。
就会在当前数据文件中新添加一个以字符“PRE_”开头命名的变量，存放根据回归模型拟合的预测值。
Standardized 标准化预测值。
Adjusted 调整后预测值。
S.E. of mean predictions 预测值的标准误。
本例选中“Unstandardized”非标准化预测值。
②“Distances”距离栏选项：Mahalanobis: 距离。
Cook’s”: Cook距离。
Leverage values: 杠杆值。
③“Prediction Intervals”预测区间选项：Mean: 区间的中心位置。
Individual: 观测量上限和下限的预测区间。
在当前数据文件中新添加一个以字符“LICI_”开头命名的变量，存放预测区间下限值；以字符“UICI_”开头命名的变量，存放预测区间上限值。
Confidence Interval：置信度。
本例不选。
④“Save to New File”保存为新文件：选中“Coefficient statistics”项将回归系数保存到指定的文件中。
本例不选。
⑤“Export model information to XML file”导出统计过程中的回归模型信息到指定文件。
本例不选。
⑥“Residuals” 保存残差选项：“Unstandardized”非标准化残差。
“Standardized”标准化残差。
“Studentized”学生氏化残差。
“Deleted”删除残差。
“Studentized deleted”学生氏化删除残差。
本例不选。
⑦“Influence Statistics” 统计量的影响。
“DfBeta(s)”删除一个特定的观测值所引起的回归系数的变化。
“Standardized DfBeta(s)”标准化的DfBeta值。
“DiFit” 删除一个特定的观测值所引起的预测值的变化。
“Standardized DiFit”标准化的DiFit值。
“Covariance ratio”删除一个观测值后的协方差矩隈的行列式和带有全部观测值的协方差矩阵的行列式的比率。
本例子不保存任何分析变量，不选择。
8）其它选项在主对话框里单击“Options”按钮，将打开如图2-6所示的对话框。
图2-6 “Options”设置对话框①“Stepping Method Criteria”框用于进行逐步回归时内部数值的设定。
其中各项为：“Use probability of F”如果一个变量的F值的概率小于所设置的进入值（Entry），那么这个变量将被选入回归方程中；当变量的F值的概率大于设置的剔除值（Removal），则该变量将从回归方程中被剔除。
由此可见，设置“Use probability of F”时，应使进入值小于剔除值。
“Ues F value”如果一个变量的F值大于所设置的进入值（Entry），那么这个变量将被选入回归方程中；当变量的F值小于设置的剔除值（Removal），则该变量将从回归方程中被剔除。
同时，设置“Use F value”时，应使进入值大于剔除值。
本例是全回归不设置。
②“Include constant in equation”选择此项表示在回归方程中有常数项。
本例选中“Include constant in equation”选项在回归方程中保留常数项。
③“Missing Values”框用于设置对缺失值的处理方法。
其中各项为：“Exclude cases listwise”剔除所有含有缺失值的观测值。
“Exchude cases pairwise”仅剔除参与统计分析计算的变量中含有缺失值的观测量。
“Replace with mean”用变量的均值取代缺失值。
本例选中“Exclude cases listwise”。
9）提交执行在主对话框里单击“OK”，提交执行，结果将显示在输出窗口中。
主要结果见表2-2至表2-4。
10) 结果分析主要结果:表2-2表2-2 是回归模型统计量：R 是相关系数；R Square 相关系数的平方，又称判定系数，判定线性回归的拟合程度：用来说明用自变量解释因变量变异的程度（所占比例）；Adjusted R Square 调整后的判定系数；Std. Error of the Estimate 估计标准误差。
表2-3表2-3 回归模型的方差分析表，F值为10.930，显著性概率是0.001，表明回归极显著。
表2-4分析:建立回归模型：根据多元回归模型：把表6-9中“非标准化回归系数”栏目中的“B”列系数代入上式得预报方程：预测值的标准差可用剩余均方估计：回归方程的显著性检验：从表6-8方差分析表中得知：F统计量为10.93，系统自动检验的显著性水平为0.001。
F(0.05,4,11)值为3.36，F(0.01,4,11) 值为5.67，F(0.001,4,11) 值为10.35。
因此回归方程相关非常显著。
（F值可在Excel中用FINV( )函数获得）。
回代检验需要作预报效果的验证时，在主对话框（图6-8）里单击“Save”按钮，在打开如图3-6所示对话框里，选中“Predicted Values”预测值选项栏中的“Unstandardized”非标准化预测值选项。
