spss考试.docx

1、spss考试Spss考试11203609 徐亚飞经济2286页练习五1-（a）Model Summary bModelRR SquareAdjusted RSquareStd. Error of theEstimate1.993a.987.985992.03949a.Predictors: （Constant）, 农业劳动者人数（百万人），总播种面积（万公 顷）,风灾面积比例（）,粮食播种面积（万公顷）,施用化肥量（kg/公顷）b.Dependent Variable: 粮食总产量（y 万吨）表1-（a）中各列数据项（从第二列开始）的含义依次为：被解释变量和解释变量的负相关系数、判定系数 R的

2、平方、调整的判定系数R拔得平方，回归方程的估计标准误差。一句该表可进行拟合优度的检验。由于该方程中有多个解释变量，因此，应参考调整的判 定系数。由于调整的判定系数（0.985）较接近1因此，认为拟合优度高，被解释变量可以被模型解释的部分较多，不能被解释道额部 分少。1-(b)ANOVA aModelSum of SquaresdfMean SquareFSig.Regression2206253676.5825441250735.316448.361.000b1Residual29524270.64030984142.355Total2235777947.22235a.Dependent Va

3、riable: 粮食总产量（y 万吨）b.Predictors: （Constant）, 农业劳动者人数（百万人），总播种面积（万公顷）,风灾面积比例（）,粮食播种面积（万公顷）,施用化肥量（kg/公顷）表9-1（ b）中格列数据项（从第一列开始）的含义依次为：被解释变量的变差来源、离差平方和、自由度、方差、回归方程显著性检 验中F检验统计量的观测值和概率p-值，可以看到：被解释变量的总离差平方和为回归平方和 2235777947.22及方差分别为2206253676.58和,441250735.316剩余平方和29524270.640及方差分别为和984142.355，F检验统计量的观测值为

4、448.361，对应的概率p-值近似于0.一句表格可进 行回归方程的显著性检验，如果显著性水平a为 0.05,由于概率p-值小于显著水平a,应拒绝回归方程显著性检验的原假设，认为各回 归系数不同是为0,被解释变量与解释变量全体的线性关系是显著的，可建立线性模1-（c）Coefficients aModelUnstandardized CoefficientsStandardizedCoefficientstSig.Collinearity StatisticsBStd. ErrorBetaToleranceVIF(Constant)-24425.3576443.948-3.790.0011 粮

5、食播种面积（万公顷）-.289.762-.020-.379.707.1526.587总播种面积（万公顷）2.567.673.1423.813.001.3183.144施用化肥量（kg/公顷）130.89911.640.71611.246.000.1099.202风灾面积比例（）-240.27146.725-.135-5.142.000.6431.555农业劳动者人数（百万人）46.4209.330.3454.975.000.09210.918a. Dependent Variable: 粮食总产量（y 万吨）表9-1 （c）中各列数据项（从第二列开始）的含义依次为：偏回归系数，偏回归系数的标准

6、误差、标准化偏回归系数、回归系数显著 性检验中t检验统计量的观测值、对应的概率 P-值、解释变量的容忍度和方差膨胀因子。依据表可以进行回归系数的显著性检验，写出 回归方程和检测多重共线性。如果显著性水平位 0.05,除年份以外，其他变量的回归系数显著性检验的概率都大于显著性水平 a,因此不拒绝原假设，认为这些偏回归系数与0无显著差异，他们与被解释变量的线性关系是不显著的，不应该保留在方程中。由于该模型中 保留了一些不应该保留的变量，因此该模型目前是不可用的，赢重新建模。同事，从容忍度和方差膨胀因子看，投入粮食总播种面 积的年数与其他解释变量的多重共线性很严重，在重新建模时可考虑剔除该变量。1-

7、(d)Collinearity DiagnosticsModelDimensionEigenvalueCondition IndexVariance Proportions(Constant)粮食播种面积（万 公顷）总播种面积（万公顷）施用化肥量（kg/公顷）风灾面积比例（）农业劳动者人数（百万人）15.4031.000.00.00.00.00.00.002.4713.385.00.00.00.10.00.003.1196.727.00.00.00.02.78.0014.00532.885.00.01.00.84.15.605.000106.176.98.07.10.03.02.116.000

8、182.145.02.92.90.01.05.29a. Dependent Variable: 粮食总产量(y 万吨)表9-1 （d）中各列格列数据项（从第二列开始）的含义依次为：特征值、条件指数、各项特征解各解释变量的方差比（各比例之和等于1）。依据该表可进行多重共线性检测。从方差比来看，第七个特征值既能解释投入粮食播种面积方差的 92%，也可解释投入高级职称的人年数方差的90%，同时还可解释使用风灾面积的5%,因此有理由认为这些变量存在多重共线性；从条件指数来看，第 5、6 7 个条件指数都大于10，说明变量间确实存在多重共线性。总之，通过上述分析知道上面的回归方程中存在一些不容忽视的问题

9、，应重新建立回归方程。2-Model Summary cModelRR SquareAdjusted RStd. Error of theChange StatisticsDurbin-WatsonSquareEstimateR Square ChangeF Changedf1df2Sig. F Change1.993 a.987.985992.03949.987448.361530.0002.993 b.987.985978.24472.000.144130.7071.219a.Predictors: （Constant）, 农业劳动者人数（百万人）,总播种面积（万公顷）,风灾面积比例（%）

10、,粮食播种面积（万公顷）,施用化肥量（kg/公顷）b.Predictors: （Constant）, 农业劳动者人数（百万人），总播种面积（万公顷）,风灾面积比例（%）,施用化肥量（kg/公顷）c.Dependent Variable: 粮食总产量（y万吨）由表9-2（a）知，利用向后筛选策略共经过六步完成回归方程的建立，最终模型为第六个模型。从方程建立的过程看，随着解释变量 的不断减少，方程的拟合优度下降了。这说明判定系数的自身特性，同时也说明建立回归方程并不是以一味追求高的拟合优度为唯一 目标的，还要重点考察解释变量是否对被解释变量有所贡献。依次剔除出方程的变量是风灾面积，粮食播种面积、总

11、播种面积、施用 化肥量、农业劳动量。如果显著水平a为0.05。可以看到这些被剔除变量的偏F检验的概率P-值均大于显著水平，因此均不能拒绝检验 的原假设，这些变量的偏回归系数与零无显著差异，它们对被解释变量的线性解释没有显著贡献，不应保留在方程中。最终保留在方 程中的变量是年数。方程的DW检验值为1.219，残值存在一定程度的正自相关2-（b）ANOVA aModelSum of SquaresdfMean SquareFSig.Regression2206253676.5825441250735.316448.361.000b1Residual29524270.64030984142.355T

12、otal2235777947.22235Regression2206112102.2254551528025.556576.332.000 c2Residual29665844.99831956962.742Total2235777947.22235a.Dependent Variable: 粮食总产量（y 万吨）b.Predictors: （Constant）, 农业劳动者人数（百万人），总播种面积（万公顷）,风灾面积比例（）,粮食播种面积（万公顷）,施用化肥量（kg/公顷）c.Predictors: （Constant）, 农业劳动者人数（百万人），总播种面积（万公顷）,风灾面积比例（）,

13、施用化肥量（kg/公顷）表9-2 （b）中的第六个模型是最终的方程。如果显著性水 a为0.05,由于回归方程显著性检验的概率P-值小于显著性水平a,因此该解释变量与解释变量间的线性关系显著，建立线性模型是恰当的2-（c）CoefficientsModelUnstandardized CoefficientsStandardizedCoefficientstSig.Collinearity StatisticsBStd. ErrorBetaToleranceVIF(Constant)-24425.3576443.948-3.790.001粮食播种面积（万公顷）-.289.762-.020-.37

14、9.707.1526.5871总播种面积（万公顷）2.567.673.1423.813.001.3183.144施用化肥量（kg/公顷）130.89911.640.71611.246.000.1099.202风灾面积比例（）-240.27146.725-.135-5.142.000.6431.555农业劳动者人数（百万人）46.4209.330.3454.975.000.09210.918(Constant)-25376.4135853.521-4.335.000总播种面积（万公顷）2.357.380.1306.208.000.9721.0292施用化肥量（kg/公顷）130.61611.45

15、4.71411.403.000.1099.164风灾面积比例（）-236.69445.127-.133-5.245.000.6701.492农业劳动者人数（百万人）48.2957.801.3596.191.000.1277.850a. Dependent Variable: 粮食总产量（y 万吨）表2（c）展示了每个模型中各解释变量的偏回归系数、偏回归系数显著性检验的情况。如果显著性水平为 0.05,则前五个模型中由于都存在回归系数不显著的解释变量，因此这些方程都不可用。第六个模型是最终的方程，其回归系数显著性检验的概率值小于显著性水 平，因此投入人年数与被解释变量间的线性关系显著，它保留在模

16、型中是合理的。最终的回归方程为：该方程意味着投入年数每增加一个单位，会使立项课题数平均增加 0.492个单位2-（ dExcluded Variables a| ModelBeta IntSig.PartialCollinearity StatisticsCorrelationToleranceVIFMinimumTolerance2粮食播种面积（万公顷）-.020 b-.379.707-.069.1526.587.092a.Dependent Variable: 粮食总产量（y 万吨）b.Predictors in the Model: （Constant）, 农业劳动者人数（百万人），总播

17、种面积（万公顷）,风灾面积比例（）,施用化肥量（kg/公顷）表2-（d）展示了变量剔除方差的过程。第2列第4列各数据项的含义依次是：在剔除其他变量的情况下，如果该变量保留在模型中，其 标准化回归系数、t检验值和概率P-值将是什么。例如，在模型三中，剔除风灾面积的情况下，如果保留投入高级职称的入年数，那么 它的标准化回归系数将为-0.439但回归系数的检验不显著（概率P-值为0.707）。易9除风灾面积的入年数的情况下，如果保留风灾面积, 那么它的标准化回归系数将为-0.103,但回归系数的检验不显著（概率P-值为0.669）。）3One-Sample Kolmogorov-Smirnov Te

18、stStandardizedResidualN36a bNormal Parameters Mean0E-7Std. Deviation.94112395Absolute.100Most Extreme DifferencesPositive.100Negative-.070Kolmogorov-Smirnov Z.600Asymp. Sig. (2-tailed).865a. Test distribution is Normal.b. Calculated from data.随着标准化预测值的变化，残差点在0线周围随机分布，但残差的等方差性并不完全满足，方差似乎有增大趋势。计算残差与预测

19、值的 等级相关系数为-0.106,且检验并不显著，认为异方差现象并不明显。，CorrelationsStandardizedPredicted ValueStandardizedResidualCorrelation Coefficient1.000-.106Standardized PredictedSig. (2-tailed).538ValueN3636Spearmans rhoCorrelation Coefficient-.1061.000Standardized Residual Sig. (2-tailed).538N3636另外，通过观察数据编辑窗口中的库克距离和杠杆值变量的值

20、，发现没有明显的异常点179页1销售额ANOVA1Sum of SquaresdfMean SquareFSig.Between Groups405.5344101.38411.276.000Within Groups269.737308.991Total675.27134表一是促销方式对销售额的单因素方差分析结果。可以看到：观测变量销售额的离差平方总额为 405.534;如果仅考虑广告形式单个因素的影响，则销售额总变差中，不同广告形式可解释的变差为， 405.534抽样误差引起的变差为269.737，它们的方差分别为101.384和8.991，相除所得的F统计量的观测值为11.276，对应的

21、概率P-值近似为0.如果显著性水平a为0.05,由于概率P-值小于显著性水平a,因此应 拒绝原假设，认为不同广告形式对销售额产生了显著影响，不同广告形式对销售额的影响效应不会为 0.2ANOVA销售额Sum of SquaresdfMean SquareFSig.Between Groups405.5344101.38411.276.000Within Groups269.737308.991Total675.27134Multiple ComparisonsDependent Variable:销售额LSD(I)组 (J)组数Mean DifferenceStd. ErrorSig.95%

22、Confidence Interval数(I-J)Lower BoundUpper Bound第一组 第二组-3.3000 *1.6028.048-6.573-.027第三组.72861.6028.653-2.5454.002第四组3.05711.6028.066-.2166.330第五组-6.7000 *1.6028.000-9.973-3.427第一组3.3000 *1.6028.048.0276.573第三组4.0286 *1.6028.018.7557.302第二组第四组6.35711.6028.0003.0849.630第五组-3.4000 *1.6028.042-6.673-.12

23、7第一组-.72861.6028.653-4.0022.545第二组-4.0286 *1.6028.018-7.302-.755第三组第四组2.32861.6028.157-.9455.602第五组-7.4286 *1.6028.000-10.702-4.155第一组-3.05711.6028.066-6.330.216第二组-6.3571 *1.6028.000-9.630-3.084第四组第三组-2.32861.6028.157-5.602.945第五组-9.7571 *1.6028.000-13.030-6.484第一组6.7000 *1.6028.0003.4279.973第二组3.4000 *1.6028.042.1276.673第五组第三组7.42861.6028.0004.15510.702第四组9.7571 *1.6028.0006.48413.030*. The mean difference is significant at the 0.05 level.獄吊朋JO Ess