《spss教程第三章--相关分析与回归模型的建立与分析》由会员分享，可在线阅读，更多相关《spss教程第三章--相关分析与回归模型的建立与分析（25页珍藏版）》请在金锄头文库上搜索。
1、第三章相关分析与回归模型的建立与分析相关分析和回归分析是统计分析方法中最重要内容之一，是多元统计分析方法的基础。相关分析和回归分析主要用于研究和分析变量之间的相关关系，在变量之间寻求合适的函数关系式，特别是线性表达式。本章主要内容：1、对变量之间的相关关系进行分析(Correlate)。其中包括简单相关分析(Bivariate)和偏相关分析(Partial)。2、建立因变量和自变量之间回归模型(Regression)，其中包括线性回归分析(Linear)和曲线估计(CurveEstimation)。数据条件：参与分析的变量数据是数值型变量或有序变量。3.1相关分析在SPSS中，可以通过Anal
2、yze菜单进行相关分析(Correiate),Correiate菜单如图3.1所示。3.1.1简单相关分析两个变量之间的相关关系称简单相关关系。有两种方法可以反映简单相关关系。一是通过散点图直观地显示变量之间关系，二是通过相关系数准确地反映两变量的关系程度。3.1.1.1散点图SPSS软件的绘图命令集中在Graphs菜单。下面通过例题来介绍具体操作方法。例1：数据库SY-8中的变量X表示山东省人均国内生产总值，Y表示山东省城镇居民的消费额（资料来源：山东省2003年统计年鉴），现画出散点图来观察两个变量的关联程度。具体操作步骤如下：首先打开数据SY-8，然后单击GraphsScatter,打开
3、Seatterplot散点图对话框，如图3.2所示。然后选择需要的散点图，图中的四个选项依次是：Simple简单散点图Matrix矩阵散点图Overlay重叠散点图3-D三维散点图图3.2散点图对话框如果只考虑两个变量,可选择简单的散点图Simple，然后点击Define，打开SimpleSeatterplot对话框，如图3.3所示。图3.3SimpleSeatterplot对话框选择变量分别进入X轴和Y轴，点击OK后就可以得到散点图，见图3.4。从下面输出的人均国内生产总值与城镇居民消费额的散点图3.4中可以粗略地看出，两个变量之间有强正相关的线性关系。人均国内生产总值（元）图3.4散点图3
4、.1.1.2简单相关分析操作简单相关分析是指两个变量之间的相关分析，主要是指对两变量之间的线性相关程度作出定量分析。仍然数据SY-8为例，说明居民收入与某商品的销售量两变量的相关分析过程，具体操作如下：1、打开数据库SY-8后，单击AnalyzetCorrelateTBivariate打开Bivariate对话框，见图3.5所示。图3.5Bivariate：Correlation两变量相关分析对话框2、从左边的变量框中选择需要考察的两个变量进入Variables框内，从CorrelationCoefficients栏内选择相关系数的种类，有Pearson相关系数，Kendalls致性系数和Sp
5、earman等级相关系数。从检验栏内选择检验方式，有双尾检验和单尾检验两种。3、单击Options按纽，选择输出项和缺失值的处理方式。本例中选择输出基本统计描述，见图3.6所示。图3.6BivariateCorrelation：Options对话框4、单击OK，可以得到相关分析的结果。从表3.1（a）可以得到两个变量的基本统计描述，从表（b）中可以得到相关系数及对相关系数的检验结果，由于尾概率就小于0.01，故说明两变量之间存在着显著的线性相关性。表3.1(a)基本统计描述DescriptiveStatisticsMeanStd.DeviationN城镇居民消费额（元）2582.2800233
6、5.9638425人均国内生产总值（元）3689.88003701.5079825表3.1（b）相关系数检验Correlations城镇居民消费额（元）人均国内生产总值（元）城镇居民消费额（元）PearsonCorrelation1.998(*)Sig.(2-tailed)-.000N2525人均国内生产总值（元）PearsonCorrelation.998(*)1Sig.(2-tailed).000-N2525*Correlationissignificantatthe0.01level(2-tailed).从表3.1（b）中可以看到两个变量相关性分析的结果：相关系数是0.998，相关程度非
7、常高，且假设检验的P值远远地小于0.05，可以认为居民收入与某产品的销量存在线性正相关关系。3.1.2偏相关分析简单相关关系只反映两个变量之间的关系，但如果因变量受到多个因素的影响时，因变量与某一自变量之间的简单相关关系显然受到其它相关因素的影响，不能真实地反映二者之间的关系，所以需要考察在其它因素的影响剔除后二者之间的相关程度，即偏相关分析。例2：为了考察火柴销售量的影响因素，选择煤气户数、卷烟销量、蚊香销量、打火石销量作为影响因素，得数据表3.2。试求火柴销售量与煤气户数的偏相关系数.表3.2火柴销量及影响因素表（见参考文献1）年份火柴销售量（万件）煤气户数（万户）卷烟销量（百箱）蚊香销量
8、（十万盒）打火石销量（百万粒）6823.6925.6823.610.14.186924.125.7723.4213.312.437022.7425.8822.099.496.57117.8427.4321.4311.0925.787218.2729.9524.9614.4828.167320.2933.5328.3716.9724.267422.6137.3142.5720.1630.187526.7141.1645.1626.3917.087631.1945.7352.4627.047.397730.550.5945.323.083.887829.6358.8246.824.4610.537
9、929.6965.2851.1133.8220.098029.2571.2553.2933.5721.228131.0573.3755.3639.5912.638232.2876.685448.4911.17解：根据数据表建立数据文件SY-9,求解火柴销售量与煤气户数的偏相关系数具体操作如下：1、首先打开数据文件SY-9,单击AnalyzetCorrelateTPartial,打开PartialCorrelations对话框，见图3.7所示。2、从左边框内选择要考察的两个变量进入Variables框内，其它客观存在的变量作为控制变量进入Controllingfor框内，如本例中考察煤气户数与火
10、柴销量的偏相关系数进入Variables框内，其它相关变量（除年份外）进入Controllingfor框内。3、单击Options按纽，打开Options对话框如图3.8所示。从Statistics栏中选择输出项，有平均值及标准差，Zero-ordercorrelations表示在输出偏相关系数的同时输出变量间的简单相关系数。另外还有缺失值的处理方式。本例中选择简单相关系数。图3.8PartialCorrelate:Options对话框4、选择结束后，单击OK得输出结果，如表3.3所示。表3.3偏相关分析输出表-PARTIALCORRELATIONCOEFFICIENTS-ZeroOrderP
11、artials简单相关火柴销量煤气户数打火石量蚊香销量卷烟销量火柴销量1.0000.8260-.4902.8083.8788（简单相关系数）(0)(13)(13)(13)(13)（自由度）P=.P=.000P=.064P=.000P=.000（P值）煤气户数.82601.0000-.0230.9489.9029(13)(0)(13)(13)(13)P=.000P=.P=.935P=.000P=.000打火石量-.4902-.02301.0000-.0070-.0295(13)(13)(0)(13)(13)P=.064P=.935P=.P=.980P=.917蚊香销量.8083.9489-.00
12、701.0000.9030(13)(13)(13)(0)(13)P=.000P=.000P=.980P=.P=.000卷烟销量.8788.9029-.0295.90301.0000(13)(13)(13)(13)(0)P=.000P=.000P=.917P=.000P=.(Coefficient/(D.F.)/2-tailedSignificance).1r*.isprintedifacoefficientcannotbecomputed-PARTIALCORRELATIONCOEFFICIENTS偏相关系数-Controllingfor（控制变量）.打火石量蚊香销量卷烟销量火柴销量煤气户数火
13、柴销量1.0000.6046（偏相关系数）(0)(10)（自由度）P=.P=.037（P值）煤气户数.60461.0000(10)(0)P=.037P=.(Coefficient/(D.F.)/2-tailedSignificance).isprintedifacoefficientcannotbecomputed表中的上半部分是简单相关系数，下半部分是偏相关系数。从表中可以看出，火柴销量与煤气户数的简单相关系数为0.8260,自由度为13,检验的P值为0.000；而偏相关系数为0.6046,自由度为10,检验的P值为0.037,表示煤气户数对火柴销量的真实影响是显著的。3.2线性回归分析线性回归是统计分析方法中最常用的方法之一。如果所研究的现象有若干个影响因素，且这些因素对现象的综合影响是线性的，则可以使用线性回归的方法建立现象（因变量）与影响因素（自变量）之间的线性函数关系式。由于多元线性回归的计算量比较大，所以有必要应用统计分析软件实现。这一节将专门介绍SPSS软件的线性回归分析的操作方法，包括求回归系数，给出回归模型的各项检验统计量值及相应的概率，对输出结果的分析等相关内容。3.2.1线性回归模型假设条件与模型的各种检验1、线性回归的假设理论（1）正态性假设：即所研究的变量均服从正态分布；（2）等方差假设：即各变量总体的方差是相等的；（3）独
