实验报告三2讲解.docx
《实验报告三2讲解.docx》由会员分享,可在线阅读,更多相关《实验报告三2讲解.docx(19页珍藏版)》请在冰豆网上搜索。
![实验报告三2讲解.docx](https://file1.bdocx.com/fileroot1/2023-1/10/5053f45b-b62e-44f0-ba77-f7b41ed9a202/5053f45b-b62e-44f0-ba77-f7b41ed9a2021.gif)
实验报告三2讲解
学生姓名:
董媛学号:
31405667
一、实验项目名称:
实验报告(三)
二、实验目的和要求
(一)变量间关系的度量:
包括绘制散点图,相关系数计算及显著性检验;
(二)一元线性回归:
包括一元线性回归模型及参数的最小二乘估计,回归方程的评价及显著性检验,利用回归方程进行估计和预测;
(三)多元线性回归:
包括多元线性回归模型及参数的最小二乘估计,回归方程的评价及显著性检验等,多重共线性问题与自变量选择,哑变量回归;
三、实验内容
1.从某一行业中随机抽取12家企业,所得产量与生产费用的数据如下:
企业编号
产量(台)
生产费用(万元)
企业编号
产量(台)
生产费用(万元)
1
40
130
7
84
165
2
42
150
8
100
170
3
50
155
9
116
167
4
55
140
10
125
180
5
65
150
11
130
175
6
78
154
12
140
185
(1)绘制产量与生产费用的散点图,判断二者之间的关系形态。
(2)计算产量与生产费用之间的线性相关系数,并对相关系数的显著性进行检验(
),并说明二者之间的关系强度。
相关性
产量(台)
生产费用(万元)
产量(台)
Pearson相关性
1
.920**
显著性(双侧)
.000
N
12
12
生产费用(万元)
Pearson相关性
.920**
1
显著性(双侧)
.000
N
12
12
在.01水平(双侧)上显著相关。
2.下面是7个地区2000年的人均国内生产总值(GDP)和人均消费水平的统计数据:
地区
人均GDP(元)
人均消费水平(元)
北京
22460
7326
辽宁
11226
4490
上海
34547
11546
江西
4851
2396
河南
5444
2208
贵州
2662
1608
陕西
4549
2035
(1)绘制散点图,并计算相关系数,说明二者之间的关系。
相关性
人均GDP(元)
人均消费水平(元)
人均GDP(元)
Pearson相关性
1
.998**
显著性(双侧)
.000
N
7
7
人均消费水平(元)
Pearson相关性
.998**
1
显著性(双侧)
.000
N
7
7
在.01水平(双侧)上显著相关。
(2)人均GDP作自变量,人均消费水平作因变量,利用最小二乘法求出估计的回归方程,并解释回归系数的实际意义。
设人均GDP作自变量X,人均消费水平作因变量Y,建立一元线性回归模型。
Y=
模型汇总
模型
R
R方
调整R方
标准估计的误差
1
0.998a
0.996
0.996
247.303
a.预测变量:
(常量),人均GDP(元)。
Anovab
模型
平方和
df
均方
F
Sig.
1
回归
81444968.680
1
81444968.680
1331.692
.000a
残差
305795.034
5
61159.007
总计
81750763.714
6
a.预测变量:
(常量),人均GDP(元)。
b.因变量:
人均消费水平(元)
系数a
模型
非标准化系数
标准系数
t
Sig.
B
标准误差
试用版
1
(常量)
734.693
139.540
5.265
.003
人均GDP(元)
0.309
0.008
0.998
36.492
.000
a.因变量:
人均消费水平(元)
所以Y=734.693+0.309X,回归系数代表自变量对因变量的影响大小。
(3)计算判定系数和估计标准误差,并解释其意义。
回归系数是0.996,估计标准误差是247.303,回归系数代表了观测点靠近回归曲线的程度,而估计标准误差显示了误差的大小程度。
(4)检验回归方程线性关系的显著性(
)
统计量F的值是1331.692,显著性概率是0.000,因此,线性关系显著
(5)如果某地区的人均GDP为5000元,预测其人均消费水平。
Y=5000*0.309+734.693=2279.693
(6)求人均GDP为5000元时,人均消费水平95%的置信区间和预测区间。
3.随机抽取10家航空公司,对其最近一年的航班正点率和顾客投诉次数进行调查,数据如下:
航空公司编号
航班正点率(%)
投诉次数(次)
1
81.8
21
2
76.6
58
3
76.6
85
4
75.7
68
5
73.8
74
6
72.2
93
7
71.2
72
8
70.8
122
9
91.4
18
10
68.5
125
(1)用航班正点率作自变量,顾客投诉次数作因变量,估计回归方程,并解释回归系数的意义。
模型汇总
模型
R
R方
调整R方
标准估计的误差
1
0.869a
0.755
0.724
18.887
a.预测变量:
(常量),航班正点率(%)。
Anovab
模型
平方和
df
均方
F
Sig.
1
回归
8772.584
1
8772.584
24.592
.001a
残差
2853.816
8
356.727
总计
11626.400
9
a.预测变量:
(常量),航班正点率(%)。
b.因变量:
投诉次数(次)
系数a
模型
非标准化系数
标准系数
t
Sig.
B
标准误差
试用版
1
(常量)
430.189
72.155
5.962
.000
航班正点率(%)
-4.701
0.948
-.869
-4.959
.001
a.因变量:
投诉次数(次)
用航班正点率作自变量X,顾客投诉次数作因变量Y
Y=430.189-4.701X
(2)检验回归系数的显著性(
)。
回归系数的显著性检验t值为-4.959.概率为0.001,说明航班正点率对顾客投诉次数影响显著。
(3)如果航班正点率为80%,估计顾客的投诉次数。
Y=430.189-4.701*80%=426.4282
4.某汽车生产商欲了解广告费用(x)对销售量(y)的影响,收集了过去12年的有关数据。
通过计算得到下面的有关结果:
方差分析表
变差来源
df
SS
MS
F
SignificanceF
回归
2.17E-09
残差
40158.07
—
—
总计
11
1642866.67
—
—
—
参数估计表
Coefficients
标准误差
tStat
P-value
Intercept
363.6891
62.45529
5.823191
0.000168
XVariable1
1.420211
0.071091
19.97749
2.17E-09
(1)完成上面的方差分析表。
变差来源
df
SS
MS
F
SignificanceF
回归
1
1602708.6
1602708.6
399
2.17E-09
残差
10
40158.07
4015.807
—
—
总计
11
1642866.67
—
—
—
(2)汽车销售量的变差中有多少是由于广告费用的变动引起的?
有95.76%是由于广告费用的变动引起的
(3)销售量与广告费用之间的相关系数是多少?
回归系数等于1.420211
(4)写出估计的回归方程并解释回归系数的实际意义。
Y=363.6891+1.420211X
(5)检验线性关系的显著性(a=0.05)。
显著
5.随机抽取7家超市,得到其广告费支出和销售额数据如下
超市
广告费支出/万元
销售额/万元
A
1
19
B
2
32
C
4
44
D
6
40
E
10
52
F
14
53
G
20
54
(1)用广告费支出作自变量
,销售额为因变量
,求出估计的回归方程。
模型汇总
模型
R
R方
调整R方
标准估计的误差
1
0.831a
0.690
0.628
7.878
a.预测变量:
(常量),广告费支出/万元。
Anovab
模型
平方和
df
均方
F
Sig.
1
回归
691.723
1
691.723
11.147
.021a
残差
310.277
5
62.055
总计
1002.000
6
a.预测变量:
(常量),广告费支出/万元。
b.因变量:
销售额/万元
系数a
模型
非标准化系数
标准系数
t
Sig.
B
标准误差
试用版
1
(常量)
29.399
4.807
6.116
.002
广告费支出/万元
1.547
.463
.831
3.339
.021
a.因变量:
销售额/万元
用广告费支出作自变量
,销售额为因变量
,求出估计的回方程。
Y=29.399+1.547X
(2)检验广告费支出与销售额之间的线性关系是否显著(a=0.05)。
F检验的P值为0.021,小于0.025,则可说明关系显著
(3)绘制关于
的残差图,你觉得关于误差项
的假定被满足了吗?
满足
(4)你是选用这个模型,还是另寻找一个该更好的模型?
选用这个模型
6.一家电气销售公司的管理人员认为,每月的销售额是广告费用的函数,并想通过广告费用对月销售额作出估计。
下面是近8个月的销售额与广告费用数据
月销售收入y(万元)
电视广告费用
(万元)
报纸广告费用
(万元)
96
5.0
1.5
90
2.0
2.0
95
4.0
1.5
92
2.5
2.5
95
3.0
3.3
94
3.5
2.3
94
2.5
4.2
94
3.0
2.5
(1)用电视广告费用作自变量,月销售额作因变量,建立估计的回归方程。
模型汇总
模型
R
R方
调整R方
标准估计的误差
1
0.808a
0.653
0.595
1.21518
a.预测变量:
(常量),VAR00002。
Anovab
模型
平方和
df
均方
F
Sig.
1
回归
16.640
1
16.640
11.269
.015a
残差
8.860
6
1.477
总计
25.500
7
a.预测变量:
(常量),VAR00002。
b.因变量:
VAR00001
系数a
模型
非标准化系数
标准系数
t
Sig.
B
标准误差
试用版
1
(常量)
88.638
1.582
56.016
.000
VAR00002
1.604
0.478
0.808
3.357
.015
a.因变量:
VAR00001
Y=88.638+1.604X1
(2)用电视广告费用和报纸广告费用作自变量,月销售额作因变量,建立估计的回归方程,并说明回归系数的意义。
模型汇总
模型
R
R方
调整R方
标准估计的误差
1
0.959a
0.919
0.887
.64259
a.预测变量:
(常量),VAR00003,VAR00002。
Anovab
模型
平方和
df
均方
F
Sig.
1
回归
23.435
2
11.718
28.378
.002a
残差
2.065
5
.413
总计
25.500
7
a.预测变量:
(常量),VAR00003,VAR00002。
b.因变量:
VAR00001
系数a
模型
非标准化系数
标准系数
t
Sig.
B
标准误差
试用版
1
(常量)
83.230
1.574
52.882
.000
VAR00002
2.290
.304
1.153
7.532
.001
VAR00003
1.301
.321
.621
4.057
.010
a.因变量:
VAR00001
Y=82.23+2.29X1+1.301X2
(3)上述
(1)和
(2)所建立的估计方程,电视广告费用的系数是否相同?
对回归系数分别解释。
不相同
(4)根据
(1)和
(2)所建立的估计方程,说明它们的R2的意义。
R方代表了回归平方占据总平方和的比例,R方越大代表回归曲线越准确。
7.某农场通过试验取得早稻收获量与春季降雨量和春季温度的数据如下
收获量y(kg)
降 雨 量x1(mm)
温 度x2 (
)
2250
25
6
3450
33
8
4500
45
10
6750
105
13
7200
110
14
7500
115
16
8250
120
17
建立早稻收获量对春季降雨量和春季温度的二元线性回归方程,并对回归模型的线性关系和回归系数进行检验(a=0.05),你认为模型中是否存在多重共线性?
模型汇总
模型
R
R方
调整R方
标准估计的误差
1
.996a
.991
.987
261.43103
a.预测变量:
(常量),VAR00003,VAR00002。
Anovab
模型
平方和
df
均方
F
Sig.
1
回归
31226615.257
2
15613307.629
228.444
.000a
残差
273384.743
4
68346.186
总计
31500000.000
6
a.预测变量:
(常量),VAR00003,VAR00002。
b.因变量:
VAR00001
系数a
模型
非标准化系数
标准系数
t
Sig.
B
标准误差
试用版
1
(常量)
-.591
505.004
-.001
.999
VAR00002
22.386
9.601
.415
2.332
.080
VAR00003
327.672
98.798
.590
3.317
.029
a.因变量:
VAR00001
Y=-0.591+22.386X1+327.672
有显著线性关系,其中降雨量对收获量影响不显著,但是温度却显著。
8.一家房地产评估公司想对某城市的房地产销售价格(y)与地产的评估价值(x1 )、房产的评估价值(x2 )和使用面积(x3 )建立一个模型,以便对销售价格作出合理预测。
为此,收集了20栋住宅的房地产评估数据如下:
房地产编号
销售价格y(元/㎡)
地产估价
(万元)
房产估价
(万元)
使用面积
(㎡)
1
6890
596
4497
18730
2
4850
900
2780
9280
3
5550
950
3144
11260
4
6200
1000
3959
12650
5
11650
1800
7283
22140
6
4500
850
2732
9120
7
3800
800
2986
8990
8
8300
2300
4775
18030
9
5900
810
3912
12040
10
4750
900
2935
17250
11
4050
730
4012
10800
12
4000
800
3168
15290
13
9700
2000
5851
24550
14
4550
800
2345
11510
15
4090
800
2089
11730
16
8000
1050
5625
19600
17
5600
400
2086
13440
18
3700
450
2261
9880
19
5000
340
3595
10760
20
2240
150
578
9620
用SPSS进行逐步回归,确定估计方程,并给出销售价格的预测值及95%的置信区间和预测区间。
模型汇总
模型
R
R方
调整R方
标准估计的误差
1
.947a
.897
.878
791.68233
a.预测变量:
(常量),VAR00005,VAR00003,VAR00004。
Anovab
模型
平方和
df
均方
F
Sig.
1
回归
87803505.456
3
29267835.152
46.697
.000a
残差
10028174.544
16
626760.909
总计
97831680.000
19
a.预测变量:
(常量),VAR00005,VAR00003,VAR00004。
b.因变量:
VAR00002
系数a
模型
非标准化系数
标准系数
t
Sig.
B
标准误差
试用版
1
(常量)
148.700
574.421
.259
.799
VAR00003
.815
.512
.193
1.591
.131
VAR00004
.821
.211
.556
3.888
.001
VAR00005
.135
.066
.277
2.050
.057
a.因变量:
VAR00002
Y=148.7+0.815X1+0.821X2+0.135X3
9.为分析某行业中的薪水有无性别歧视,从该行业中随机抽取15名员工,有关的数据如下
月薪y(元)
工龄
性别(1=男,0=女)
1548
3.2
1
1629
3.8
1
1011
2.7
0
1229
3.4
0
1746
3.6
1
1528
4.1
1
1018
3.8
0
1190
3.4
0
1551
3.3
1
985
3.2
0
1610
3.5
1
1432
2.9
1
1215
3.3
0
990
2.8
0
1585
3.5
1
进行回归并对结果进行分析。
模型汇总
模型
R
R方
调整R方
标准估计的误差
1
.943a
.890
.872
96.79158
a.预测变量:
(常量),VAR00003,VAR00002。
Anovab
模型
平方和
df
均方
F
Sig.
1
回归
909488.418
2
454744.209
48.539
.000a
残差
112423.316
12
9368.610
总计
1021911.733
14
a.预测变量:
(常量),VAR00003,VAR00002。
b.因变量:
VAR00001
系数a
模型
非标准化系数
标准系数
t
Sig.
B
标准误差
试用版
1
(常量)
732.061
235.584
3.107
.009
VAR00002
111.220
72.083
.158
1.543
.149
VAR00003
458.684
53.458
.877
8.580
.000
a.因变量:
VAR00001
Y=732.061+111.22X1+458.684X2
四、实验数据记录与分析
(基本要求:
1.根据题号顺序记录软件输出结果并分析;2.结果可来自对SPSS或Excel进行操作的输出,二选一即可。
)