SPSS回归分析.ppt

进行回归分析-enter 进行回归分析-enter 进行回归分析-stepwise 进行回归分析-stepwise 进行回归分析-stepwise 进行回归分析-stepwise 容忍度 自变量中有定性变量的回归 在例7.1的数据中，还有一个自变量是收入，但它是定性变量，以虚拟变量或哑元（dummy variable）的方式出现。（这里收入的“低”，“中”，“高”，用1，2，3来代表）。如果要用这种哑元进行前面的回归就没有道理了。可以用下面模型描述： 自变量中有定性变量的回归 注意，哑元的各个参数a1, a2, a3本身只有相对意义，无法三个都估计，只能够在有约束条件下才能够得到估计。约束条件可以有很多选择，一种默认的条件是把一个参数设为0，比如a3=0，这样和它有相对意义的a1和a2就可以估计出来了。对于例6.1得到 对于例7.1，对b0, b1, a1, a2, a3的估计分别为28.708, 0.688, -11.066, -4.679, 0。 Logistic 回归 如果因变量为取两个值的定性变量，前面介绍的回归模型就无法解决了。 我们通过例7.2来介绍另一种回归，即Logistic回归（logistic regression）。 例6.2数据前面已经见到，有自变量性别、年龄和因变量观点。 例7.2 这是200个不同年龄和性别的人对某项服务产品的认可的数据（logi.sav）。这里年龄age是定量变量，性别sex是有男和女（分别用1和0表示）两个水平的定性变量，而变量观点opinion则为包含认可（用1表示）和不认可（用0表示）两个水平的定性变量（见下页数据）。这里观点是因变量，它只有两个值。 Logistic 回归 对此，人们通常会考虑下面的模型（称为logistic回归模型） 为了循序渐近，先拟合没有性别作为自变量（只有年龄x）的模型 Logistic 回归 很容易得到b0和b1的估计分别为2.381和-0.069。拟合的模型为 Logistic 回归 下面再加上性别变量进行拟合，得到对b0, b1和a0, a1的估计（同样事先确定为a1=0）分别为1.722, -0.072, 1.778, 0。对于女性和男性，该拟合模型分别可以表示为 SPSS的相关分析 相关分析(hischool.sav） 利用SPSS选项：Analyze－Correlate－Bivariate 再把两个有关的变量(这里为j3和s1)选入，选择Pearson，Spearman和Kendall就可以得出这三个相关系数和有关的检验结果了(零假设均为不相关)。 SPSS的回归分析 自变量和因变量都是定量变量时的线性回归分析(hischool.sav) 利用SPSS选项：Analyze－Regression－Linear 再把有关的自变量选入Independent，把因变量选入Dependent，然后OK即可。如果自变量有多个（多元回归模型），只要都选入就行。 SPSS的回归分析 自变量中有定性变量（哑元）和定量变量而因变量为定量变量时的线性回归分析 (hischool.sav) 利用SPSS选项：Analyze－General linear model－Univariate 为了输出待估参数，在Options中选择Parameter Estimates 在主对话框中把因变量（s1）选入Dependent Variable，把定量自变量(j3)选入Covariate，把定性因变量（income）选入Fixed Factor中。 点击Model，在Specify Model中选full factorial，然后就Continue-OK，就得到结果了。 SPSS的Logistic回归(logi.sav) 自变量为定量变量时： 利用SPSS选项：Analyze－Regression－Binary Logistic，再把因变量(opinion)选入Dependent Variable，把自变量（age）选入Covariates，点击OK即可得到结果。 自变量为定性变量及定量变量时： 利用SPSS选项：Analyze－Regression－Binary Logistic，再把因变量(opinion)选入Dependent Variable，把自变量（age和sex）选入Covariates，然后点Categorical，再把定性变量sex选入Categorical Covariate，回到主对话框，点击OK即可得到结果。 人们可能会问，上面的三种对相关的度量都是在其值接近1或-1时相关，而接近于0时不相关。到底如何才能够称为“接近”呢？ 这很难一概而论。但在计算机输出中都有和这些相关度量相应的检验和p-值；因此可以根据这些结果来判断是