spss数据分析之一元线性回归？微信号后台有非常之多的关于回归分析的留言，作为最常见的统计分析方法，在工作生活中的应用需求量巨大，这两天已经为大家选好了案例数据，先从一元线性回归分析开始。一元线性回归，顾名思义，仅有一个自变量的回归模型，研究的是一个因素对结果的影响，可以用于预测，也经常被称之为简单线性回归分析
spss数据分析之一元线性回归？
微信号后台有非常之多的关于回归分析的留言，作为最常见的统计分析方法，在工作生活中的应用需求量巨大，这两天已经为大家选好了案例数据，先从一元线性回归分析开始。
一元线性回归，顾名思义，仅有一个自变量的回归模型，研究的是一个[繁：個]因素对结果【读：guǒ】的影响，可以用于预测，也经常被称之为简单线性回归分析。它的模[练：mó]型表达式为：
Y=a bX e
回归的过程就是要确定截距a和回归系(繁体：係)数b的{de}具体值，当然前提条件是模型（xíng）具备统计学意义。
看案【练：àn】例：
案例数据很好理解，是常见的销售数据，反映的是某公司太阳镜一年12个月的具体销售情况。试分析当广告费用为15万元澳门新葡京时，预《繁体：預》测当月的销售量值。
几乎所有的回归分析问题，首先都从一个散点图开始，散点图能够快速而且直观的看到自变量和应变量之间(繁体：間)是否包含线性关系，如果《guǒ》图形上看不出明显线性关系的话，后续的分析效果也不会太好。
散点图菜单步骤：图形→旧对话框→散点图→简{繁体：簡}单算点图，自变量广告费用《拼音：yòng》用作X轴，销售量用作Y轴。
由散点图可以看出，增加广告投入销售量随之上升，一澳门博彩个正相关线性关系，图示的作用在于让我们对预测销售量充满信心，接下来(繁体：來)开始一元线性回归。
菜单栏中点击【分析】→【回归】→【线性】，弹出线性回归主功能面板，销售量作为因变量，广告费用作为自变量，散点图显示二者有较强的线性关系，我们将采取强制【输入】的方法要求建立一元回归模型。
默认勾选回归系数的【估算值】，要求SPSS软件为我们输出回归系数，也就是模型中的参数b，同时默认勾选【模型{xíng}模拟】，要求软件帮助我们建议回归模型是否具有统计[繁：計]学意义。
以上这两个参数是线性回归分析(pinyin：xī)必选设置，不能忽略不计。在此基础上（pinyin：shàng），我们可以根据实际需要选择其他参[cān]数。
本案例勾选【德宾沃森】，要求就模型残差进行Durbin Watson检验，用于判断残（繁体：殘）差是否独立，作为一个【gè】基础条件来判断数据是否适合做线性回归。
上半部分有些复杂，允许我们定制残差的图形，作为入门理解，此处建议直接勾选底部【直方图】和【正态概率(lǜ)图】，要求软件输出标准化残{练：cán}差图，同样用于判断数据是否适[拼音：shì]合进行线性回归。
我们此处分析的目的是为了利用广告费亚博体育用来预测销售量，保存按【pinyin：àn】钮参数与预测和残差有关，可以勾选【未标准化】预测值。
在这个{练：gè澳门银河}对话框上面，有许多参数可选，严谨态度出发的话，建议在这里深入学习，本例暂时不讨论。
这里建议接受软件默认{练：rèn}选项即可。
主要参数基本设置完成，现在点击主面板下方的【确定】按钮，要求SPSS开(繁：開)始执行【拼音：xíng】此次简单线性回归分析过程，我们坐等结果。
1、模澳门新葡京型{xíng}摘要表
第三列R方，在线性回归（繁体：歸）中也称为判定系数，用于判定线性《拼音：xìng》方程拟合优度的重要指标，体现了回归模型解释因（pinyin：yīn）变量变异的能力，通常认为R方需达到60%，最好是80%以上，当然是接近1更好。
本例R方=0.93，初步判断(繁体：斷)模型拟合效果良好。
2、方差分{pinyin：fēn}析表
刚才我们建立的回归模型【拼音：xíng】是不是有统计意义，增加(pinyin：jiā)广告费用可销（繁：銷）售量这样的线性关系是否显著，方差分析表可以回答这些问题。
直接读取最后一列，显著性值=0.000<0.01<0.05，表明由自变量“广告费用”和因(pinyin：yīn)变（读：biàn）量“销售量”建立的线性关系回归模型具有《拼音：yǒu》极显著的统计学意义。
3、回[繁：迴]归系数表
这《繁：這》是有关此处建模的最直{pinyin：zhí}接jiē 结果，读取未标准化系数，我们可以轻松写出模型表达式，如下：
Y=76.407 7.662X
关键的是，自变量广告《拼音：gào》费用的回归系数通过检验，t检验原假设回归系数没有意义，由最后《繁体：後》一列回归系数显著性值=0.000<0.01<0.05，表明回归系数b存在，有统计学意义，广告费用与销售量{pinyin：liàng}之间是正比关系，而且极显著。
OK，现在我们有了回归模型【xíng】表达式在手里，心里总会油然沉甸甸的，因为就连小学生都知道，只要把广告费用的具体值带入回归方程式中（读：zhōng），就可以轻松计算出对应的销售量数据。
不急（拼音：jí），在开始预测前还有一项关键操作，我们需要检验数据是否可以{pinyin：yǐ}做回(繁：迴)归分析，它对数据的要求是苛刻的，有必要就残差进行分析。
1、残差正态《繁体：態》性检验
从标准化残差直方图来看，呈一个倒扣的钟形，左右两侧不完全对称，有一定瑕疵；从标准化残差的（de）P-P图来看，散点并没有全部靠近斜线，并不完美，综合而言，残差正态性结果不是最好的，当然在现实分析当中，理想状态的正态并不多见，接近或近似即可(kě)考虑接受。
2、模《拼音：mó》型残差独立性检验
采用Durbin Watson检验来判断，回过(拼音：guò)头来再看模型摘要表。
DW=1.464，查（chá）询 Durbin Watson table 可以发(繁体：發)现本例DW值恰好出在无自相关性的值《zhí》域之中，认定残差独立，通过检验。
实际上关于回归模型的适应【练：yīng】性检验还有其他项目，比如异常点、共[练：gòng]线性等检验项目，本例暂（繁体：暫）不展开，有兴趣的读者可以自行学习。
根据以上残差正态性和残差独立性检验的结果，本例认为案例数据基本满足（pinyin：zú）线性回归要求（值得在其他[练：tā]应用中讨论，本例仅展示主要过程），所建立的模型可根据拟合质量进行预测。
通过前面的(pinyin：de)一系列分析和论证，我们（读：men）现在已经得到回归模型的方程式：Y=76.407 7.662X，
我们《繁：們》的预测任务是当广告投入达15万元时，太【拼音：tài】阳镜的销售量，具体计算：Y=76.407 7.662*15=191.337，
至此，建立了广告和销售量之间的线性回归模型，并且实施[shī]了预测，那么模型的准确性到底如何呢，有待最终【繁体：終】实际销售比对分析。本例结束
本文链接：http://21taiyang.com/Business-Operations/7503053.html
一元线【繁体：線】性回归spss转载请注明出处来源