发布时间:2021-09-03 11: 22: 34
当需要研究一组随机变量与另一组变量的关系时,通常会运用回归分析。通过回归分析构建数学模型,探究两种或两种以上变量之间是否存在关系,若存在关系还可进一步预测未来的数据。
当自变量有多个而因变量只有一个时,则可构建spss多元线性回归分析,此时计算量较大,因此通过IBM SPSS Statistics(win)能更为准确、便捷地进行分析。
一、使用的数据
本文将使用一组人均消费支出额、人均工资性收入和人均非工资性收入的数据为例,使用IBM SPSS Statistics进行多元线性回归分析,分析这一组数据构建的模型是否显著,是否能进行预测分析。
如图1,因变量为人均消费支出额,两组自变量分别为人均工资性收入、人均非工资性收入。构建多元线性回归分析,分析两组自变量是否与人均消费支出额存在关系。
二、应用线性回归分析
在IBM SPSS Statistics中按照分析-回归-线性的顺序展开回归分析对话框。
在展开的线性回归对话框中,将人均消费支出额添加入因变量一栏中,将人均工资性收入和人均非工资性收入添加入自变量方框中,点击确定,即可得到分析结果。
三、对数据进行分析
通过IBM SPSS Statistics的线性回归分析功能得出分析结果后,可对得出的数据进行具体分析。从图4的模型摘要可知回归模型拟合程度R2=0.992,
接近1,说明该模型拟合程度高。
如图5所示,可知F统计量的值为340.676,对应的显著性小于0.01小于0.05,说明模型整体显著。
图6的系数表是回归模型的输出结果,回归系数的T检验可以直接通过显著性的值与0.05进行比较,若显著性小于0.05,说明回归系数通过了T检验,回归系数不为0。从系数表可知人均工资性收入x1和人均非工资性收入x2的显著性均小于0.05,通过了T检验。
由此构建出的模型为:
本文通过IBM SPSS Statistics建立的回归模型可以通过以上所说的三种检验,说明可用于预测分析。也就是说当知道某年的人均工资性收入和人均非工资性收入后可预测当年的人均消费支出额。
作者:刘白
展开阅读全文
︾
读者也喜欢这些内容:
spss多元线性回归分析操作步骤,spss多元线性回归分析结果解读
spss多元线性回归分析操作步骤,本文会以客流量、销售量与销售额的线性关系演示spss的多元线性回归分析操作步骤,并进行spss多元线性回归分析结果解读。...
阅读全文 >
多元线性回归需要做哪些检验 多元线性回归分析步骤
多元线性回归是较为简单的回归分析,用以评价因变量与多个自变量之间是否存在简单线性关系,人工进行多元线性回归分析计算非常繁琐,借助统计分析软件则可以显著提高效率,如IBM SPSS Statistics,使用SPSS进行多元线性回归需要做哪些检验,多元线性回归分析步骤是怎样的,本文将向大家作简单介绍。...
阅读全文 >
SPSS逻辑回归模型案例 逻辑回归和线性回归的区别
逻辑回归适用于二分变量的模型,最显著的作用是可以预测模型中每个自变量的概率。也就是说,逻辑回归可以根据一组样本数据,得到预测值或者某种预测结果。下面,小编来介绍一下SPSS逻辑回归模型案例,逻辑回归和线性回归的区别的具体内容。...
阅读全文 >
IBM SPSS Statistics的两变量相关、偏相关与距离相关分析有什么不同
相关分析研究的是两个或以上随机变量间的相关关系的分析。与回归分析不同,相关分析侧重的是变量间的相关特性,但不能说明变量间可相互依赖并进行预测,比如吃冰淇淋与肥胖之间的相关分析。...
阅读全文 >