liuwenliang的个人博客分享 http://blog.sciencenet.cn/u/liuwenliang

博文

[转载]spss怎么做逐步回归分析 逐步回归分析spss结果解读

已有 14271 次阅读 2022-10-26 14:34 |个人分类:机器学习|系统分类:科研笔记|文章来源:转载

转自:https://spss.mairuan.com/jiqiao/spss-wuszg.html


品牌型号:联想GeekPro 2020

系统: Windows 10 64位专业版

软件版本: IBM SPSS Statistics

spss怎么做逐步回归分析?逐步回归分析是多元线性回归分析的一种,可通过spss回归分析中的“步进”法来做逐步回归分析。本文会运用例子演示逐步回归分析步骤,并进行逐步回归分析spss结果解读。

一、spss怎么做逐步回归分析

逐步回归分析,实际上是多元线性回归的一种分析方法,通过将变量逐个输入,并检验变量的显著性,来逐一剔除影响不显著的变量,从而建立最优的回归方程。接下来,我们通过一个例子具体演示下spss的操作方法。

示例数据如图1所示,X1、X2、X3、X4、X5、X6为自变量,X7为因变量,探究X1、X2、X3、X4、X5、X6与X7的线性回归关系。

图1:示例数据图1:示例数据

 

如图2所示,依次点击spss的分析-回归-线性分析。

图2:线性回归分析图2:线性回归分析

 

接着,设定变量

分别将X1、X2、X3、X4、X5、X6添加到自变量、X7添加到因变量中,以研究X1、X2、X3、X4、X5、X6对X7的影响。

然后,关键的一步,如图3所示,在方法下拉菜单中选择“步进”,进行逐步回归分析。

图3:步进(逐步回归)图3:步进(逐步回归)

 

统计量设置如图4所示,包括回归系数的估算值,模型拟合以及DW值(德宾-沃森),以检验模型的拟合优度以及残差是否存在自相关。

图4:统计量图4:统计量

 

图表设置上,如图5所示,选择“直方图”与“正态概率图”,以检验模型的残差是否服从正态分布。

图5:标准化残差图图5:标准化残差图

 

对于逐步回归分析,需要注意的是步进法条件的设置,如图6所示,可选择使用F的概率或F值,数值一般保持默认即可。

图6:步进法条件图6:步进法条件

 

二、逐步回归分析spss结果解读

接下来,进行spss逐步回归分析结果解读。

首先观察残差的正态P-P图,可看到数据集中在一条直线上,说明数据残差服从正态分布,满足逐步回归分析的假设。

图7:残差正态P-P图图7:残差正态P-P图

 

从输入/除去变量表看到,本次逐步回归分析进行了6次输入或除去。

图8:输入与除去的变量图8:输入与除去的变量

 

而针对6次输入或除去创建的模型,模型4、5、6的调整后R方达到0.92或以上,说明模型的拟合优度高。

图9:模型摘要图9:模型摘要

 

ANOVA分析,6个逐步回归模型的显著性值为0.00,小于0.05的置信空间,即说明有95%的概率拒绝原假设,也就是说,各方程中的自变量与因变量间存在着显著的相关关系。

图10:ANOVA检验图10:ANOVA检验

 

三、逐步回归分析方程怎么写

从上述的分析中,我们知道本例逐步回归分析得到的6个方程都具有显著性,而从模型拟合优度来看,方程4、5、6拟合优度更好。

接着,根据系数检验结果看到,方程4的X3系数不显著,因此倾向使用方程5和方程6,其逐步回归方程可根据未标准化系数的B值写成如下:

方程5:X7=1201.938+59.873X2+139.350X1+32.881X4

方程6:X7=1039.502+49.342X2+157.661X1+25.8731X4+23.906X5

图11:系数检验图11:系数检验

 

四、小结

以上就是关于spss怎么做逐步回归分析,逐步回归分析spss结果解读的相关内容。spss逐步回归分析,实际上是使用“步进”法进行多元线性回归分析的方法,该方法可通过逐步输入剔除不相关的变量,寻找最优的回归方程。

 

作者:泽洋




https://blog.sciencenet.cn/blog-3409972-1361012.html

上一篇:[转载]超详细!Mysql错误1452 - Cannot add or update a child row: a foreig
下一篇:[转载]主成分分析法spss例子 主成分分析法spss结果解读
收藏 IP: 210.72.26.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (1 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-6-18 03:05

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部