spss多元线性回归Word格式文档下载.docx

1、高能源消费总量309638.506175.924.01煤炭消费量9728.997472.2592焦炭消费量874.611053.008原油消费量281177.511282.7446.7汽油消费量230.05170.270煤油消费量45.4066.1894柴油消费量392.34300.979燃料油消费量141.00313.4673天然气消费量19.5622.044电力消费量949.64711.664原煤产量269125.9712180.68913.3焦炭产量291026.491727.7353.3原油产量181026.481231.7241240.0燃料油产量2590.72134.150516.

2、7汽油产量215.18210.090煤油产量2048.4462.1301033.3柴油产量448.29420.675天然气产量29.2849.391电力产量954.74675.2300表2-1 能源消耗量与产量数据缺失值分析表1-1 能源消耗量与产量数据缺失值分析SPSS提供了填充缺失值的工具，点击菜单栏“”，即可以使用软件提供的几种填充缺失值工具，包括序列均值，临近点中值，临近点中位数等。结合本次实习数据的具体情况，我们不使用SPSS软件提供的替换缺失值工具，主要是手动将缺失值用零值来代替。1.1.3 描述性数据汇总描述性数据汇总技术用来获得数据的典型性质，我们关心数据的中心趋势和离中趋势，

3、根据这些统计值，可以初步得到数据的噪声和离群点。中心趋势的量度值包括：均值（mean），中位数（median），众数（mode）等。离中趋势量度包括四分位数（quartiles），方差（variance）等。SPSS提供了详尽的数据描述工具，单击菜单栏的“”，将弹出如图2-4所示的对话框，我们将所有变量都选取到，然后在选项中勾选上所希望描述的数据特征，包括均值，标准差，方差，最大最小值等。由于本次数据的单位不尽相同，我们需要将数据标准化，同时勾选上“将标准化得分另存为变量”。图1-4 描述性数据汇总得到如表1-2所示的描述性数据汇总。极小值极大值方差9112616438142034.41233

4、22900155834651.3781954611108824.85355551099.011273.2651621202.56277128991.74626242.3764.8964211.52027136890588.441157498261.261106485.947983004506464.953581427909.1711741.3881.379E89202992.281707.9982917256.1934341637.121085.3791178048.43249775.60126.79116075.9711032186.49208.77143585.12221932.3055.

5、3943068.5351911388.52420.216176581.28516419.5242.3711795.341972536455935.003有效的 N （列表状态）表1-2 描述性数据汇总标准化后得到的数据值，以下的回归分析将使用标准化数据。如图1-5所示：图1-5 数据标准化我们还可以通过描述性分析中的“”来得到各个变量的众数，均值等，还可以根据这些量绘制直方图。我们选取个别变量（能源消费总量）的直方图，可以看到我们因变量基本符合正态分布。如图1-6所示：图1-6能源消费总量1.2 回归分析我们本次实验主要考察地区能源消费总额（因变量）与煤炭消费量、焦炭消费量、原油消费量、原煤产

6、量、焦炭产量、原油产量之间的关系。以下的回归分析所涉及只包括以上几个变量，并使用标准化之后的数据。1.2.1 参数设置单击菜单栏“”，将弹出如图1-7所示的对话框，将通过选择因变量和自变量来构建线性回归模型。因变量：标准化能源消费总额；自变量：标准化煤炭消费量、标准化焦炭消费量、标准化原油消费量、标准化原煤产量、标准化焦炭产量、标准化原油产量。自变量方法选择：进入，个案标签使用地名，不使用权重最小二乘法回归分析即WLS权重为空。 图1-7选择线性回归变量还需要设置统计量的参数，我们选择回归系数中的“”和其他项中的“”。选中估计可输出回归系数B及其标准误，t值和p值，还有标准化的回归系数beta

7、。选中模型拟合度复选框：模型拟合过程中进入、退出的变量的列表，以及一些有关拟合优度的检验：R，R2和调整的R2, 标准误及方差分析表。如图1-8所示：图1-8 设置回归分析统计量3.在设置绘制选项的时候，我们选择绘制标准化残差图，其中的正态概率图是rankit图。同时还需要画出残差图，Y轴选择：ZRESID，X轴选择: ZPRED。如图1-9所示：图1-9 设置绘制左上框中各项的意义分别为:“DEPENDNT”因变量 “ZPRED”标准化预测值 “ZRESID”标准化残差 “DRESID”删除残差 “ADJPRED”调节预测值 “SRESID”学生化残差 “SDRESID”学生化删除残差 4.

8、 许多时候我们需要将回归分析的结果存储起来，然后用得到的残差、预测值等做进一步的分析，“保存”按钮就是用来存储中间结果的。可以存储的有：预测值系列、残差系列、距离（Distances）系列、预测值可信区间系列、波动统计量系列。本次实验暂时不保存任何项。5. 设置回归分析的一些选项，有：步进方法标准单选钮组：设置纳入和排除标准，可按P值或F值来设置。在等式中包含常量复选框：用于决定是否在模型中包括常数项，默认选中。如图1-10所示：图1-10 设置选项1.2.2 结果输出与分析在以上选项设置完毕之后点击确定，SPSS将输出一系列的回归分析结果。我们来逐一贴出和分析，并根据它得到最后的回归方程以及

9、验证回归模型。表1-3所示，是回归分析过程中输入、移去模型记录。具体方法为：enter（进入） 输入移去的变量 输入移去的变量模型输入的变量移去的变量方法Zscore（原油产量）, Zscore（原煤产量）, Zscore（焦炭消费量）, Zscore（原油消费量）, Zscore（煤炭消费量）, Zscore（焦炭产量）.输入表1-3 输入的变量 2. 表1-4所示是模型汇总，R称为多元相关系数，R方（R2）代表着模型的拟合优度。我们可以看到该模型是拟合优度良好。模型汇总RR 方调整 R 方标准 估计的误差Sig.962.925.905.30692707.000表1-4 模型汇总 3.表1-

10、5所示是离散分析。，F的值较大,代表着该回归模型是显著。也称为失拟性检验。平方和df均方F回归25.66064.27745.397残差2.07222.094总计27.732 表1-5 离散分析4.表1-6所示的是回归方程的系数，根据这些系数我们能够得到完整的多元回归方程。观测以下的回归值，都是具有统计学意义的。因而，得到的多元线性回归方程：Y=0.008+1.061x1+0.087 x2+0.157 x3-0.365 x4-0.105 x5-0.017x6（x1为煤炭消费量，x2为焦炭消费量，x3为原油消费量，x4为原煤产量，x5为原炭产量，x6为原油产量，Y是能源消费总量）结论：能量消费总量

11、由主要与煤炭消费总量所影响，成正相关；与原煤产量成一定的反比。系数 系数非标准化系数标准系数tB标准 误差beta（常量）.008.057.149.883Zscore（煤炭消费量）1.061.1261.0718.432Zscore（焦炭消费量）.087.101.088.856.401Zscore（原油消费量）.157.085.1591.848.078Zscore（原煤产量）-.365.155-.372-2.360.028Zscore（焦炭产量）-.105.150-.107-.697.493Zscore（原油产量）-.017.070-.247.807表1-6回归方程系数5. 模型的适合性检验，主要是残差分析。残差图是散点图，如图1-11所示：图1-11残差图可以看出各散点随机分布在e=0为中心的横带中，证明了该模型是适合的。同时我们也发现了两个异常点，就是广东省和四川省，这种离群点是值得进一步研究的。还有一种残差正态概率图（rankit图）可以直观地判断残差是否符合正态分布。如图1-12所示：图1-12 rankit（P-P）图它的直方图如图1-13所示：图1-13 rankit（直方）图 （注：可编辑下载，若有不当之处，请指正，谢谢!）