当前位置：文档之家 › 实验7 线性回归

实验7 线性回归

  • 格式：doc
  • 大小：330.45 KB
  • 文档页数：13

标准 文案 实验编号： 07 四川师大SPSS实验报告 2017 年 4 月 24 日 计算机科学学院2015级5班 实验名称： 线性回归 姓名：唐雪梅 学号：2015110538 指导老师：__朱桂琼___ 实验成绩:___

实验 七 线性回归 一．实验目的及要求 1.了解SPSS 特点结构操作 2.利用SPSS进行简单数据统计 二．实验内容 (1)消费者品牌偏好分析： 通过品牌使用时间和价格敏感度了解消费者的品牌偏好。 某彩妆系列产品公司进行了一项关于消费者品牌偏好态度的分析，调研人员收集了有关的调研数据，用11点标尺度量态度（1=非常不喜欢该品牌，11=非常喜欢该品牌）对于价格敏感度的度量也用11点标尺（1=对价格完全不敏感，11=对价格非常敏感）

序号 品牌偏好Y 使用时间X1（月） 价格敏感X2

1 6 10 3 2 9 12 11 3 8 12 4 4 3 4 1 5 10 12 11 6 4 6 1 7 5 8 7 8 2 2 4 9 11 18 4 10 9 9 10 11 10 17 10 12 2 2 5 标准 文案 思考题： （1）消费者对品牌的使用时间以及对其价格的敏感度对消费者的品牌偏好有何种影响？它们之间是一种什么样的关系？ （2）如果有影响，品牌偏好与使用时间之间的关系能否用一个模型表示出来？ (2)销售额和员工数量的关系： 随着公司的持续发展，常常有滑入无效率困境的危险，假定某公司的销售开始滑坡，但公司还是不停地招聘新人，公司有某个10年的关于销售额和员工的数据如下表：

年序号 销售额（百万美元） 员工数

1 20.2 120 2 24.3 135 3 28.6 142 4 33.4 150 5 35.2 155 6 35.9 168 7 36.3 172 8 36.2 170 9 36.5 175 10 36.4 174 根据左表中的数据，请回答下列问题： （1）以销售额为自变量，员工数为因变量画出散点图，并建立一个回归模型，通过员工的数量来预测销售额。 （2）解释回归系数的实际意义。 （3）根据分析的结果回答：如果这个趋势继续下去，你对公司的管理层有何建议？你认为管理层应该关注什么？ （3）制度变迁是经济增长的源头，根据研究衡量制度变迁有两个变量：非国有化率和国家财政收入占GDP的比重。 自1998年以来中国的经济增长率一直未突破9%的状态，因此以9%为分界点，将经济增长定义为1（经济增长大于等于9%）或0（经济增长小于9%），标准 文案 根据2003-2014年的数据，如下表，试建立中国经济增长率的Logistics模型。 年 X1 X2 经济增长率Y

2003 35.1 77.6 1 2004 37.7 79.2 0 2005 40.3 81.6 1 2006 43.2 84.2 1 2007 43.9 84.2 1 2008 45.4 85.4 0 2009 47.1 86.9 0 2010 51.9 87.4 1 2011 56.9 88.8 1 2012 59.2 89.3 1 2013 66.0 89.1 1 2014 63.7 88.4 0

三、实验主要流程、基本操作或核心代码、算法片段（该部分如不够填写，请另加附页） 实验一：多元线性回归分析 1． 建立数据库 标准

文案 2． 分析步骤：分析——回归——线性 3.结果 输入／移去的变量 模型 输入的变量 移去的变量 方法 1 价格敏感, 使用时间a . 输入

a. 已输入所有请求的变量。 结论：在对编号为1的模型进行线性回归分析时所采用的方法是全部引入法：输入，此处无被剔出的变量 标准 文案 模型汇总 模型 R R 方 调整 R 方 标准估计的误差 1 .966a .933 .918 .947 a. 预测变量: (常量), 价格敏感, 使用时间。

结论：R Square=0.966，接近于1，说明模型的拟合优度很高，方程拟合很好。 Anovab 模型 平方和 df 均方 F Sig. 1 回归 112.845 2 56.423 62.915 .000a 残差 8.071 9 .897 总计 120.917 11 a. 预测变量: (常量), 价格敏感, 使用时间。 b. 因变量: 品牌偏好

结论：sig=0<0.01，该模型具有显著性意义 系数a 模型 非标准化系数 标准系数 t Sig. B 标准误差 试用版 1 (常量) .376 .629 .598 .565 使用时间 .516 .060 .819 8.550 .000 价格敏感 .235 .085 .266 2.772 .022 a. 因变量: 品牌偏好 拟合结果：y=0.516x1+0.235x2+0.376 Sig.取值大于0.05，没有理由拒绝原假设，即回归系数与零无显著性差异，模型中不存在共线性问题。

结论：特征根均不等于0，则不存在共线性问题，条件指数均小于30，本例中模型不存在共线性的问题。 标准 文案 （1） 研究品牌偏好与使用时间之间的关系模型

B）原假设：回归系数与零无显著性差异 C）线性回归分析： 单击分析→回归→线性→打开线性回归主对话框；在弹出的线性回归对话框中，选择变量“品牌偏好（Y）”，添加到因变量框中；选择变量“使用时间（X1）”添加到自变量框中，单机统计量，选中估计、模型拟合度和DW三个选项。 标准

文案 结果分析：R Square=0.936，接近于1，说明模型的拟合优度很高，方程拟合很好。 DW=2.783，说明残差是负自相关的，表明所假设的模型合理的。

拟合结果：y=0.59x+1.079 残差Mean=0，表明这些数据中无离群值，且数据的标准差也比较小，可以认为模型是合理的

实验二：回归分析 原假设：回归系数与零无显著性差异 1. 建立数据库 标准

文案 2.散点图建立：图形——旧对话框——散点\点状——散点图 从图中看出销售额与员工数为非线性关系 （4）回归分析： A）操作流程： 单击分析→回归→曲线估计→打开曲线估计主对话框；在弹出的曲线估计对话框中，选择变量“员工数”，添加到因变量框中；选择变量“销售额”添加到自变量框中。 标准

文案 结论：从表中数据可以看出，三次方程的R Square=0.935最接近1，所以员工数和销售呈三次方的关系。

实验三：二维Logistic回归分析

（1） 录入实验数据： 标准

文案 （2） 二维Logistic回归分析： 1）原假设：回归系数与0无显著性差异 2）操作流程：选择菜单分析→回归→二维Logistic；然后选择Y变量使之添加到因变量框中，选择x1和 x2变量，使它们分别进入协变量框中 3） 结果分析：

其中常数项包括在模型中，初始-2LL为15.278，迭代结束于第三步，因为此时参数估计与其在上一步的变化已经小于0.001 标准

文案 分类结果表说明Step0的拟合效果。可以看出对于y=1，有100%的准确性，对于y=0,有0%准确性，总共有66.7%的准确性

似然比卡方检验的观测值等于0.039，概率p值等于0.981。显著性水平均大于0.05，所以可以拒绝原假设，即认为所有回归系数不同时为0，解释变量的全体与Logit P之间的线性关系显著，采用该模型合理。

模型拟合优度，给出了-2对数似然值较大，说明拟合优度并不理想，Cox和Shell值以及Nagelkerke值较小，也说明拟合程度较低。

与前一步相比较，预测的准确率不变，模型的总体预测精度也不变。 标准

文案 Sig的值大于0.05，没有理由拒绝原假设，即认为该回归系数与0无显著性差异，它与Logit P的线性关系不是显著的，所以该模型是不可用的，应该重新建模。

四、实验结果的分析与评价（该部分如不够填写，请另加附页） 1.线性回归分析步骤 （1）确定回归方程中的解释变量（自变量）和被解释变量（因变量）。 （2）确定回归模型：通过观察散点图确定应通过哪种数学模型来概括回归线 。 （3）建立回归方程：在一定的统计拟合准则下估计出模型中的各个参数，得到一个确定的回归方程 （4）对回归方程进行各种检验 ：检验回归方程是否真实地反映了事物总体间的统计关系以及回归方程能否用于预测等 （5）利用回归方程进行预测：根据回归方程对事物的未来发展趋势进行预测 2.一元线性回归操作 1. 单击Analyze→Regression→Linear→打开Linear Regression主对话框 2. 在弹出的LinearRegression对话框中，选择变量“气压”，添加到Dependent框中，表示因变量；选择变量“沸点”，添加到Independent框中，表示自变量 。 3.多元线性回归操作 Analyze→Regression→Linear命令，打开Linear Regression 对话框 选择解释变量Y进入Dependent框 将X1，X2和X5直接纳入模型 X3和X4通过逐步法。而X6直接不予考虑 选择被解释变量X1，X2和X5进入Independent(s)框 在Method框中选择Enter（默认）表示所选变量强行进入回归方程 单击Next 选择被解释变量X3、X4进入Independent(s)框 在Method框中选择Stepwise对所选变量进行逐步筛选策略 在Linear Regression对话框中单击Statistics按钮 选中Estimates 和Model fit 复选框 选中Collinearity diagnostics复选框 单击OK按钮 4. 二维Logistic回归的SPSS操作 选择菜单Analyze →Regression→Binary Logistic 选择y变量使之添加到Dependent框中，选择x1变量、x2、x3，使它们分别进入Covariates框中，表示其为自变量 单击Logistic Regression对话框中的Options按钮，选择所有选项，但保留各选项中的缺省值 单击Continue按钮，返回上一个对话框，单击OK按钮

合集下载

多元线性回归模型的估计、回归系数和回归方程的检验、标准化回归方程、预测

多元线性回归模型的估计、回归系数和回归方程的检验、标准化回归方程、预测

实验二：多元线性回归模型的估计、回归系数和回归方程的检验、标准化回归方程、预测实验题目：研究货运总量y（万吨）与工业总产量x1(亿元)，农业总产值x2（亿元），居民非商品支出x3（亿元）的关系。

数据如表：1.计算y,x1,x2,x3的相关系数矩阵；2.求y关于x1,x2,x3的三元线性回归方程；3.对所求得的方程作拟合度检验4.对回归方程作显著性检验；5.对每一个回归系数作显著性检验；6.如果有的回归系数没有通过显著性检验，将其剔除，重新建立回归方程，再作回归方程的显著性检验和回归系数的显著性检验；7.求出新回归方程的每一个回归系数的置信水平为９５％的置信区间；8.求标准化回归方程；9.求当x01=75,x1=42, x2=3.1时的y的预测值，给定置信水平为95%，用SPSS 软件计算精确置信区间，手工计算近似预测区间？10 结合回归方程对问题作一些基本分析。

数据如下：y x1 x2 x31607035 1.02607540 2.42106540 2.02657442 3.02407238 1.22206845 1.52757842 4.01606636 2.02757044 3.22506542 3.0实验目的：掌握多元线性回归模型的估计、回归系数和回归方程的检验、标准化回归方程、预测SPSS主要操作：操作步骤类似于一元线性回归模型的方法SPSS输出结果及答案：1:y,x1,x2,x3的相关系数矩阵如下表：由上述输出结果知：y=-348.280+3.754x1+7.101x2+12.447x3 3模型汇总b模型R R 方调整 R 方标准估计的误差1 .898a.806 .708 23.44188a. 预测变量: (常量), 居民非商品支出X3（亿元）, 工业总产值X1（亿元）, 农业总产值X2（亿元）。

b. 因变量: 货运总量Y（万吨）由上述输出结果知：调整R square=0.708,拟合的较好4Anova b模型平方和df 均方 F Sig.1 回归13655.370 3 4551.790 8.283 .015a残差3297.130 6 549.522总计16952.500 9a. 预测变量: (常量), 居民非商品支出X3（亿元）, 工业总产值X1（亿元）, 农业总产值X2（亿元）。

《计量经济学》eviews实验报告一元线性回归模型详解

《计量经济学》eviews实验报告一元线性回归模型详解

计量经济学》实验报告一元线性回归模型-、实验内容（一）eviews基本操作（二）1、利用EViews软件进行如下操作：（1）EViews软件的启动（2）数据的输入、编辑（3）图形分析与描述统计分析（4）数据文件的存贮、调用2、查找2000-2014年涉及主要数据建立中国消费函数模型中国国民收入与居民消费水平:表1年份X(GDP)Y（社会消费品总量）200099776.339105.72001110270.443055.42002121002.048135.92003136564.652516.32004160714.459501.02005185895.868352.62006217656.679145.22007268019.493571.62008316751.7114830.12009345629.2132678.42010408903.0156998.42011484123.5183918.62012534123.0210307.02013588018.8242842.82014635910.0271896.1数据来源：二、实验目的1.掌握eviews的基本操作。

2.掌握一元线性回归模型的基本理论，一元线性回归模型的建立、估计、检验及预测的方法，以及相应的EViews软件操作方法。

三、实验步骤（简要写明实验步骤）1、数据的输入、编辑2、图形分析与描述统计分析3、数据文件的存贮、调用4、一元线性回归的过程点击view中的Graph-scatter-中的第三个获得在上方输入Isycx回车得到下图DependsntVariable:Y Method:LeastSquares□ate:03；27/16Time:20:18 Sample:20002014 Includedobservations:15VariableCoefficientStd.Errort-StatisticProb.C-3J73.7023i820.535-2.1917610.0472X0416716 0.0107S838.73S44 a.ooao R-squared0.991410 Meandependentwar119790.2 AdjustedR.-squared 0.990750 S.D.dependentrar 7692177 S.E.ofregression 7J98.292 Akaike infocriterion20.77945 Sumsquaredresid 7；12E^-08 Scliwarz 匚「爬伽20.37386 Loglikelihood -1&3.3459Hannan-Quinncriter. 20.77845 F-statistic 1I3&0-435 Durbin-Watsonstat0.477498Prob(F-statistic)a.oooooo在上图中view 处点击view-中的actual ,Fitted ,Residual 中的第一 个得到回归残差打开Resid 中的view-descriptivestatistics 得到残差直方图/icw Proc Qtjject PrintN^me FreezeEstimateForecastStatsResids凹Group:UNIIILtD Worktile:UN III LtLJ::Unti1DependentVariablesMethod;LeastSquares□ate:03?27/16Time:20:27Sample(adjusted):20002014Includedobservations:15afteradjustmentsVariable Coefficient Std.Errort-Statistic ProtJ.C-3373.7023^20.535-2.191761 0.0472X0.4167160.01075S38.735440.0000R-squared0.991410 Meandependeniwar1-19790.3 AdjustedR-squa.red0990750S.D.dependentvar 76921.77 SE.ofregre.ssion 7J98.292 Akaike infacriterion20.77945 Sumsquaredresid 7.12&-0S Schwarzcriterion 20.S73S6 Laglikelihood -153.84&9Hannan-Quinncrite匚20.77545 F-statistic1I3&0.435Durbin-Watsonstat 0.477498 ProbCF-statistic) a.ooaooo在回归方程中有Forecast,残差立为yfse,点击ok后自动得到下图roreestYFM J訓YForea空巾取且:20002015 AdjustedSErmpfe:2000231i mskJddd obaerratire:15Roof kter squa red Error理l%2Mean/^oLteError畐惯啟iJean Afe.PereersErro r5.451SSQThenhe鼻BI附GKWCE口.他腐4Prop&niwi□ooooooVactaree Propor^tori0.001^24G M『倚■底Props^lori09®475在上方空白处输入lsycs…之后点击proc中的forcase根据公式Y。

回归分析

回归分析


图 2-11-1 销售收入与广告费用散点 从散点图可以看出，随着广告费用的增加，销售收入也随之增加，二者的数 据点分布在一条直线的附近，因此二者之间具有正的线性相关关系。 通过散点图观察可以判断两个变量之间有无相关关系， 并对关系形态做出大 致描述，但要准确度量变量间的关系强度，则需要计算相关系数。 Step2 计算相关系数度量关系强度并对相关系数的可靠性进行检验 （显著性 检验） 相关系数（Correlation Coefficient）是度量两个随机变量之间线性关系 强度的统计量，计算相关系数时，假定两个变量是线性关系。样本相关系数记为
p 2.7415E 09 0.05 ，双尾检验的p值接近于0，拒绝 H 0 ，说明销售收入
与广告费用之间存在显著线性相关关系。 Step3 求销售收入与广告费用的估计的回归方程 回归模型中的参数 0 和 1 是未知的，需要利用样本数据去估计它们。当用
ˆ 和 ˆ 估计模型中的参数 和 时，就得到了估计的回归方程 样本统计量 0 1 0 1
显著的线性关系。从表 3-2知 F 116.396 ， p 值接近于0，表明销售收入与广告 费用之间的线性关系显著。 回归系数检验（ t 检验）：它用于检验自变量对因变量的影响是否显著。在 一元线性回归中，由于只有一个自变量，故回归系数检验与线性关系检验等价。 检验统计量是基于回归系数 1 的抽样分布来构造的 t 统计量。从表2-11-2知 1 的 95%的置信区间为 （4.132,6.130） ， 0 的95%的置信区间为 （-4.913,554.013） 。 其中 1 的置信区间表示： 广告费用每变动1万元， 销售收入的平均变动量为4.132 万 6.130万元。 实验2 多元线性回归 一家高技术公司人事部为研究软件开发人员的薪金与他们的资历、 管理水平、 教育水平等因素之间的关系， 要建立一个数学模型，以便分析公司人事策略的合 理性， 并作为新聘用人员薪金的参考。他们认为目前公司人员的薪金总体上是合 理的，可以作为建模的依据，于是调查了46名软件开发人员的档案资料，见表 2-11-3， 其中资历一列指从事专业工作的年数， 管理水平一列中1表示管理人员， 0表示非管理人员，教育水平一列中1表示中学水平，2表示大学水平，3表示研究 生水平。 表2-11-3
spss统计学软件实验报告

spss统计学软件实验报告

西安邮电大学统计软件实习报告书系部名称：经济与管理学院营销策划系学生姓名：陈志强专业名称：商务策划管理时间：2012年5月21日至2012年5月25日实习内容：熟悉和学习SPSS软件，包括1.基本统计实验（均值、中位数、众数、全距、方差与标准差、四分位数、十分位数、频数、峰度、偏度）；2均值比较和T检验（均值比较、单一样本T检验、两独立样本T检验和两配对样本T检验）；3.相关分析（二元定距变量的相关分析、二元定序变量的相关分析、偏相关分析、距离相关分析）；4.回归分析（一元线形回归和多元线形回归）。

实习目的：掌握SPSS基本的统计描述方法，可以对要分析的数据的总体特征有比较准确的把握，从而为以后实验项目选择其他更为深入的统计分析方法打下基础。

实习过程：实验1：二元定距变量的相关分析★研究问题：某工厂生产多种产品，分别对其进行两标准评分，评分结果如下表，现在要研究这两个标准之间是否具有相关性。

★实现步骤『步骤1』在“Analyze”菜单“Correlate”中选择Bivariate命令，如图3-1所示。

图3-1 选择Bivariate Correlate 菜单『步骤2』在弹出的如图3-2所示Bivariate Correlate对话框中，从对话框左侧的变量列表中分别选择“标准1”和“标准2”变量，单击按钮使这两个变量进入Variables框。

在Correlation Coefficients框中选择相关系数，本例选用Pearson项。

在Test of significance框中选择相关系数的双侧（Two-tailed）检验，检验两个变量之间的相关取向，也就是从结果中来得到是正相关还是负相关。

图3-2 Bivariate Correlate对话框选中Flag significations correlations选项，则相关分析结果中将不显示统计检验的相伴概率，而以星号（*）显示。

一个星号表示当用户指定的显著性水平为0.05时，统计检验的相伴概率值小于等于0.05，即总体无显著性相关的可能性小于等于0.05；两个星号表示当用户指定的显著性水平为0.01时，统计检验的相伴概率值小于等于0.01，即总体无显著线形相关的可能性小于等于0.01。