《统计分析和SPSS的应用第五版》课后练习答案与解析第9章Word下载.docx

1、F-to-enter 的概率 = .050）2风灾面积比例（%）3年份4总播种面积（万公顷）a. 因变量：粮食总产量（y万吨）模型摘要RR 平方调整后的 R 平方标准估算的错误.960a.922.9192203.30154.975b.950.9471785.90195.984c.969.9661428.73617.994d.989.987885.05221a. 预测变量：（常量），施用化肥量（kg/公顷）b. 预测变量：（常量），施用化肥量（kg/公顷）, 风灾面积比例（%）c. 预测变量：（常量），施用化肥量（kg/公顷）, 风灾面积比例（%）, 年份d. 预测变量：（常量），施用化肥量（k

2、g/公顷）, 风灾面积比例（%）, 年份, 总播种面积（万公顷）ANOVAa平方和自由度均方F显著性回归1887863315.616388.886.000b残差160199743.070334854537.669总计2048063058.686341946000793.422973000396.711305.069.000c102062265.263323189445.7891984783160.329661594386.776324.106.000d63279898.356312041287.0442024563536.011506140884.003646.150.000e23499522

3、.67530783317.423e. 预测变量：系数a非标准化系数标准系数tB标准错误贝塔（常量）17930.148504.30835.554.000179.2879.092.96019.72020462.336720.31728.407193.7018.1061.03723.897-327.22276.643-.185-4.269-460006.046110231.478-4.173137.66714.399.7379.561-293.43961.803-.166-4.748244.92056.190.3234.359-512023.30768673.579-7.456139.9448.92

4、5.74915.680-302.32438.305-.171-7.893253.11534.827.3347.2682.451.344.1417.126结论：如上4个表所示，影响程度中大到小依次是：施用化肥量（kg/公顷）, 风灾面积比例（%）, 年份, 总播种面积（万公顷）。（排除农业劳动者人数（百万人）和粮食播种面积（万公顷）对粮食总产量的影响） 剔除农业劳动者人数（百万人）和粮食播种面积（万公顷）后：分析回归线性将粮食总产量导入因变量、其余4个变量（施用化肥量（kg/公顷）, 风灾面积比例（%）, 年份, 总播种面积（万公顷）导入自变量方法项选“输入”确定。粮食总产量回归方程：Y=-7.

5、893X1+15.68X2+7.126X3+7.268X4-7.4566、一家产品销售公司在30个地区设有销售分公司。为研究产品销售量（y）与该公司的销售价格（x1）、各地区的年人均收入（x2）、广告费用（x3）之间的关系，搜集到30个地区的有关数据。进行多元线性回归分析所得的部分分析结果如下：ModelSum of SquaresDfMean SquareSig.Regression4008924.78.88341E-13ResidualTotal13458586.729Unstandardized CodfficientsStd.Error（Constant）7589.10252445.0

6、2133.10390.00457X1-117.886131.8974-3.69580.00103X280.610714.76765.45860.00001X30.50120.12593.98140.000491） 将第一张表中的所缺数值补齐。2） 写出销售量与销售价格、年人均收入、广告费用的多元线性回归方程，并解释各回归系数的意义。3） 检验回归方程的线性关系是否显著？4） 检验各回归系数是否显著？5） 计算判定系数，并解释它的实际意义。6） 计算回归方程的估计标准误差，并解释它的实际意义。（1）12026774.172.88.88341E-13b1431812.62655069.7154（2

7、）Y=7589.1-117.886 X1+80.6X2+0.5X3（3）回归方程显著性检验：整体线性关系显著（4）回归系数显著性检验：各个回归系数检验均显著（5）略（6）略7、对参加 SAT 考试的同学成绩进行随机调查，获得他们阅读考试和数学考试的成绩以及性别数据。通常阅读能力和数学能力具有一定的线性相关性，请在排除性别差异的条件下，分析阅读成绩对数学成绩的线性影响是否显著。采用进入回归策略。分析回归线性将MathSAT导入因变量、其余变量导入自变量确定。结果如下：Gender, Verbal SATb输入Math SATb. 已输入所有请求的变量。.710a.505.49969.495（常量

8、），Gender, Verbal SAT782588.468391294.23481.021767897.9511594829.5471550486.420161184.58234.0685.418Verbal SAT.686.055.69612.446Gender37.21910.940.1903.402.001因概率P值小于显著性水平（0.05），所以表明在控制了性别之后，阅读成绩对数学成绩有显著的线性影响。8、试根据“粮食总产量.sav”数据，利用SPSS曲线估计方法选择恰当模型，对样本期外的粮食总产量进行外推预测，并对平均预测误差进行估计。采用二次曲线图形旧对话框拆线图简单个案值定义将

9、粮食总产量导入线的表征确定再双击上图“元素”菜单添加标记应用接下来：分析回归曲线估计粮食总产量导入因变量、年份导入变量，点击年份在模型中选择二次项、立方、幂点击“保存”按钮选择保存”预测值”继续确定。曲线拟合附注已创建输出03-MAY-2018 09:28:44注释数据F:SPSS薛薇统计分析与spss的应用（第五版）PPT-jwd第9章 SPSS回归分析习题粮食总产量.sav活动数据集数据集1过滤器宽度（W）拆分文件工作数据文件中的行数35缺失值处理对缺失的定义用户定义的缺失值被视作缺失。已使用的个案任何变量中带有缺失值的个案不用于分析。语法CURVEFIT /VARIABLES=lscl

10、WITH nf /CONSTANT /MODEL=LINEAR QUADRATIC CUBIC POWER /PRINT ANOVA /PLOT FIT /SAVE=PRED .资源处理器时间00:00.19用时00.25使用从第一个观测值到最后一个观测值预测使用周期后的第一观察变量已创建或已修改FIT_1CURVEFIT 和 MOD_1 LINEAR 中具有 nf 的 lscl 的拟合FIT_2CURVEFIT 和 MOD_1 QUADRATIC 中具有 nf 的 lscl 的拟合FIT_3CURVEFIT 和 MOD_1 CUBIC 中具有 nf 的 lscl 的拟合FIT_4CURVEF

11、IT 和 MOD_1 POWER 中具有 nf 的 lscl 的拟合时间序列设置 （TSET）输出量PRINT = DEFAULT保存新变量NEWVAR = CURRENT自相关或偏自相关图中的最大滞后数MXAUTO = 16每个交叉相关图的最大延迟数MXCROSS = 7每个过程生成的最大新变量数MXNEWVAR = 4每个过程的最大新个案数MXPREDICT = 1000用户缺失值处理MISSING = EXCLUDE置信区间百分比值CIN = 95在回归方程中输入变量的容差TOLER = .0001最大迭代参数变化CNVERGE = .001计算标准的方法自相关的错误ACFSE = IN

12、D季节周期长度未指定值在绘图中标记观测值的变量包括方程CONSTANT警告由于模型项之间存在接近共线性，该二次模型无法拟合。由于模型项之间存在接近共线性，该立方模型无法拟合。模型描述模型名称MOD_1因变量方程式线性（L）二次项（Q）立方（U）幂a自变量常量已包括对在方程式中输入项的容许.0001a. 此模型需要所有非缺失值为正。个案处理摘要数字个案总计排除的个案a预测的个案新创建的个案a. 任何变量中带有缺失值的个案无需分析。变量处理摘要变量从属正值的数目零的数目负值的数目缺失值的数目用户缺失系统缺失.935.874.8702795.862自变量为 年份。ANOVA回归（R）17901072

13、49.412229.006257955809.2747816842.705系数708.11846.79315.133-1369647.90492136.775-14.865.936.875.8722782.1491792631355.014231.596255431703.6727740354.657年份 * 2.180.01215.218-673013.92645845.338-14.680已排除的项输入贝塔偏相关最小容差年份a-125.061-7.851-.811a. 已达到输入变量的容许界限。.877.8732768.4711795136897.274234.217252926161.4117664429.134年份 * 36.097E-515.304-440802.44130416.171-14.492-62.046-7.785-.809-124.059-7.779幂.938.880.1082.825242.844.3843.209ln（年份）55.3913.55415.5837.936E-179因变量为 ln（粮食总产量（y万吨）。如上表所示，粮食总产量总体呈现上升趋势，在对回归进行检验时，sig值为00.05，故拒绝原假设，即认为回归方程中解释变量与被解释变量间显著。预测值：