第九章--线性回归与方差分析.

系数：
参数a、b的最小二乘估计
A good
line is one that minimizes the sum of squared differences between the points and the line.
根据推导，
a y bx
( x x )( y y ) b (x x)
Multiple Regression
R2adj - “adjusted R-square”
R2是一个受自变量个数与样本规模之比（k:n）影响的系数，一般是1：10 以上为好。当这个比值小于1：5时，R2倾向于高估实际的拟合的程度。 Takes into account the number of regressors in the model
X的变异
r2
Y的变异
Simple Regression
R2 - “Goodness of fit”
For simple regression, R2 is the square of the correlation coefficient
Reflects variance accounted for in data by the best-fit line
第九章 多元回归分析
浙江师范大学教育学院心理系
徐长江 xucj@
纲要
回归分析的基本原理
一元回归分析 多元回归分析
多元回归分析的方法 多元回归分析的实现
回归分析的目的
设法找出变量间的依存(数量)关系, 用函数 关系式表达出来
Example: Height vs Weight
Takes values between 0 (0%) and 1 (100%) Frequently expressed as percentage, rather than decimal

1 的置信水平下，可以认为总体上两个变量之间是线性相关的。如果 | t | t/2 ，则表明相关
系数 在统计上是不显著的，也就是说在 1 的置信水平下，不能认为总体上两个变量之间是
线性相关的。
由表9-1中的样本数据所计算出来的样本相关系数为： r 0.945 。在 0.05 的显著性
水平上进行相关系数显著性检验的步骤如下。
析
度的线性相关关系；而当 0.75 | r |1 时，则认为变量间的线性相关关系很强。
20
第一节 相关分析概述
第 九 章
三、相关系数的显著性检验
回
归 分
若总体中两个变量的全部取值已知，则可以根据总体的数据计算出两个变量之间相关系数
析
的理论真值。但这在现实中是做不到的，也就是说，两变量之间总体上的相关系数的理论真
关联起来，估计出不同收入水平居民家庭的“平均每户每月日用杂货支出”，这才符合分析报告
写作的要求。“每月日用杂货支出”与“月收入”两变量的样本数据如表9-1所示。
目
录
页
2
CONTENTS PAGE
目
录
页
3
CONTENTS PAGE
目
录
页
4
CONTENTS PAGE
相关分析概 回归模型与
述
回归方程
若总体相关系数等于零，则与样本相关系数有关的上述t统计量的值就不应过大或过小，
回 归
因为t统计量过大或过小都是总体上两个变量之间具备线性相关关系的证据。因此，给定一个
分 析
显著性水平 ，就可以在自由度为 n 2 的t分布下，确定衡量这个t统计量的值过大或过小的
一个标准，即临界值 t /2 。如果 | t | t/2 ，则表明相关系数r在统计上是显著的，也就是说在

2019/4/17 6
第9章 SPSS的线性回归分析
一元线性回归方程的检验
(一)拟和优度检验:
(3)统计量：判定系数
R2 ˆ ( y
n
i 1 i 1 – R2=SSR/SST=1-SSE/SST. – R2体现了回归方程所能解释的因变量变差的比例;1-R2则体 现了因变量总变差中，回归方程所无法解释的比例。 – R2越接近于1，则说明回归平方和占了因变量总变差平方和 的绝大部分比例，因变量的变差主要由自变量的不同取值造 成，回归方程对样本数据点拟合得好 – 在一元回归中R2=r2; 因此，从这个意义上讲，判定系数能够 比较好地反映回归直线对样本数据的代表程度和线性相关性。
( y
i 1 n
i
y)
2
1 y)2
( y ( y
i 1 n
n
i
ˆ )2 y y)2
i
i
2019/4/17
第9章 SPSS的线性回归分析
7
一元线性回归方程的检验
(二)回归方程的显著性检验：F检验
(1)目的:检验自变量与因变量之间的线性关系是否显著,是否可用 线性模型来表示. (2)H0: β =0 即:回归系数与0无显著差异 ˆi y )2 / k (y F ˆ i )2 /(n k 1) (3)利用F检验,构造F统计量: ( yi y
– F=平均的回归平方和/平均的剩余平方和~F(1,n-1-1) – 如果F值较大，则说明自变量造成的因变量的线性变动远大于随机因素 对因变量的影响,自变量于因变量之间的线性关系较显著 (4)计算F统计量的值和相伴概率p (5)判断 – p<=a:拒绝H0,即:回归系数与0有显著差异，自变量与因变量之间存在 显著的线性关系。反之，不能拒绝H0

第九章 SPSS的线性回归分析线性回归分析是一种常用的统计方法，用于探索自变量与因变量之间的线性关系。

在SPSS中，进行线性回归分析可以帮助研究者了解变量之间的关系，并预测因变量的数值。

本文将介绍如何在SPSS中进行线性回归分析，并解释如何解释结果。

一、数据准备。

在进行线性回归分析之前，首先需要准备好数据。

在SPSS中，数据通常以数据集的形式存在，可以通过导入外部文件或手动输入数据来创建数据集。

确保数据集中包含自变量和因变量的数值，并且数据的质量良好，没有缺失值或异常值。

二、进行线性回归分析。

在SPSS中进行线性回归分析非常简单。

首先打开SPSS软件，然后打开已经准备好的数据集。

接下来，依次点击“分析”-“回归”-“线性”，将自变量和因变量添加到相应的框中。

在“统计”选项中，可以选择输出各种统计信息，如残差分析、离群值检测等。

点击“确定”按钮后，SPSS会自动进行线性回归分析，并生成相应的结果报告。

三、解释结果。

线性回归分析的结果报告包括了各种统计信息和图表，需要仔细解释和分析。

以下是一些常见的统计信息和图表：1. 相关系数，线性回归分析的结果报告中通常包括了自变量和因变量之间的相关系数，用来衡量两个变量之间的线性关系强度。

相关系数的取值范围为-1到1，接近1表示两个变量呈正相关，接近-1表示呈负相关，接近0表示无相关。

2. 回归系数，回归系数用来衡量自变量对因变量的影响程度。

回归系数的符号表示自变量对因变量的影响方向，系数的大小表示影响程度。

在结果报告中，通常包括了回归系数的估计值、标准误、t值和显著性水平。

3. 残差分析，残差是因变量的观测值与回归方程预测值之间的差异，残差分析可以用来检验回归模型的拟合程度。

在结果报告中，通常包括了残差的分布图和正态概率图，用来检验残差是否符合正态分布。

4. 变量间关系图，在SPSS中，可以生成自变量和因变量之间的散点图和回归直线图，用来直观展示变量之间的线性关系。