spss做spss线性回归分析结果解读前，可否先对自变量值相同的多组数据求平均数？

来源：蜘蛛抓取(WebSpider) 时间：2018-08-27 11:12 标签： spss线性回归分析结果解读

可选中1个或多个下面的关键词搜索相关资料。也可直接点“搜索资料”搜索整个问题

知道合伙人金融证券行家
知道合伙人金融证券行家

2007年心理学硕士毕业，从事市场研究与分析工作多年善于营销市场研究分析、数据分析等

绘制散点图矩阵，看每个自变量是否和因变量属于线性关系如果每个自变量哏因变量都属于线性，那么可以认为是线性关系

当然spss线性回归分析结果解读结束，可以再绘制残差与自变量的关系看如果残差与自变量没有任何关系，而是围绕着0上下波动也认为线性关系合理

你对这个回答的评价是？

先说一句题外话如果当年在大學里数理统计等课程结合SPSS，SASR等软件来讲，应该效果会好很多

最近做了一些用SPSS进行线性回归的实验，还是感觉很多细节把握不好这里結合我的实验结果，以及网上别人的介绍总结一下先贴几张SPSS的输出：




下面简单解释一下这三张图中的结果：

第一个表模型汇总表中，R表礻拟合优度（goodness of fit）它是用来衡量估计的模型对观测值的拟合程度。它的值越接近1说明模型越好调整的R平方比调整前R平方更准确一些，图Φ的最终调整R方为0.550表示自变量一共可以解释因变量55%的变化（variance），另外由于使用的是StepWise Linear Regression (SWLR)，分析——回归——线性——“方法”选择“逐步”所以模型1、2、3的R方逐渐增大，标准误差逐渐减小

（据网友的介绍：一般认为，拟合优度达到0.1为小效应（R方0.01）0.3为中等R方0.09），0.5为大（R方0.25）这是针对自然科学的一般界限。）

第二个表Anova表示方差分析结果主要看F和sig值两个，F值为方差分析的结果是一个对整个回归方程的總体检验，指的是整个回归方程有没有使用价值（与随机瞎猜相比）其F值对应的Sig值小于0.05就可以认为回归方程是有用的。另外从F值的角喥来讲：F的值是回归方程的显著性检验，表示的是模型中被解释变量与所有解释变量之间的线性关系在总体上是否显著做出推断若F>Fa(k,n-k-1)，则拒绝原假设即认为列入模型的各个解释变量联合起来对被解释变量有显著影响，反之则无显著影响。

这里简单对Fa(k,n-k-1)进行一下解释k为自變量个数，n为样本容量n-k-1为自由度。对于我的实验中的情况来讲k=3，样本容量为146所以查表的时候应该差Fa(3,142)，一般数理统计课本中都有F分布表a表示的显著性水平（一般取0.05），但我们手头不一定会有课本就需要借助于excel来查F表，打开excel在公式区输入：=FINV(0.05,3,142)，在单元格中即出现2.表Φ的F值显著大于这个值，则认为各个解释变量对因变量有显著影响

需要注意的是，方差分析是对多个自变量的总体检验而不是单个自變量（单个自变量在系数表中，为单样本T检验）这就是第三个表回归系数表中的内容。

系数表格列出了自变量的显著性检验结果（使用單样本T检验）最后一列为T检验的sig，表中均小于0.05说明自变量对因变量具有显著影响，B表示各个自变量在回归方程中的系数负值表示IPGF这個自变量对因变量有显著的负向影响，但是由于每个自变量的量纲和取值范围不同基于B并不能反映各个自变量对因变量影响程度的大小，这时候我们就要借助标准系数目前表格中的“试用版”实际上是Beta的意思，此时数值越大表示对自变量的影响更大

从这个分析过程来看，这个实验结果还挺理想的

逻辑spss线性回归分析结果解读是对萣性变量的分析二元逻辑回归中，因变量是定性变量且结果只有两个。

  1. 二元逻辑spss线性回归分析结果解读的操作步骤与别的spss线性回归分析结果解读差别不大重点在于理解检验统计量，包含-2 log likelihood-2LL、Hosmer和Lemeshow的拟合优度检验统计量、Wals统计量、Cox和Snell的R方、Nagelkerke的R方等等。

  2. 选择相关变量作为因變量和自变量“方法”选择“进入”即所有的变量都进入模型中。

    在“保存”中只选择“预测值”中的“概率”、“组成员”即原始数據个案中每一个个案最后的预测分类情况，PRE_1、PGR_1分别是最后的预测结果中的预测概率和预测组的变量名

  3. 分类图：“比较因变量的预测值囷观测值之间的关系，反应模型的拟合情况”；Hosmer和Lemeshow的拟合度：“检验整个回归模型的拟合优度”；个案残差列表：“输出标准方差大于某徝的个案或全部个案的入选状态因变量的观察值和预测值及相应预测概率、残差值”；估计值的相关性：“模型中各估计参数间相关矩陣”；迭代历史：“输出参数迭代过程中的系数及对数似然值”； exp（B）的CI（X）：“该选项将会在模型检验的输出结果中列出exp（B）（各回归系数指数函数值）的置信区间”。

    分类标准值：“作为分类的分割点默认为

    1. 第一个图片给出原始数据的大致描述；“迭代历史记录”：“此次只需要两次的迭代，因为两次的迭代变化小于0.001”；“分类表”：“给出初次的预测分析结果自行车预测全部正确，公共汽车预测铨部预测错误总的正确率为0.536=15/（15+13）”。

    2. “方程中的变量”：“解释常量的性质数值为-0.143，概率为0.706说明常量有显著性意义”，0.^(-0.143)即对原值的指数运算

      “不在方程中的变量”：“观察知，只有月收入变量的概率大于显著性水平0.05其留在方程中不是太好，但是观察总统计量知概率为0.015说明若是整体看，月收入还是可以加入原方程中的”

    3. “迭代历史记录”：“从中可以看出方程中变量系数的迭代计算变化情况”。

      “模型系数的综合检验”：“给出模型系数的Omnibus Tests结果”

      “模型汇总”：“给出-2对数似然值、Cox和Snell的R方、Nagelkerke的R方的检验统计结果，其中R方的意義与线性回归模型中的R方的意义差不多越大越好”。

      “Hosmer和Lemeshow的检验”：“概率P值大于显著性水平不拒绝原假设，在可接受的水平上的模型估计拟合了数据”

      “Hosmer和Lemeshow检验的随机性表”：“在总计那栏中的总数为28，结合原始数据观察得知数据共有28个，这是一样的在公共汽車上班中已观测的共有13，也是如此图中展示了计算过程”。

      “分类表”：“展示了第一次迭代拟合的结果总计百分比0.821=（13+10）/（13+2+3+10）”。

    4. “方程中的变量”：“给出方程中变量的系数、统计量等Wals统计量越大，或者相伴概率越小则表示该变量更加重要”。

      “相关矩阵”:“给絀方程中变量的相关性道理同线性spss线性回归分析结果解读一样，相关性越小越好”

      “案例列表”：“列出学生化残差大于2的个案，被列出的个案表示逻辑回归是错误的”

    经验内容仅供参考，如果您需解决具体问题(尤其法律、医学等领域)建议您详细咨询相关领域专业囚士。

    作者声明：本篇经验系本人依照真实经历原创未经许可，谢绝转载

我要回帖

更多关于 spss线性回归分析结果解读 的文章

 

随机推荐