SPSS多元线性回归分析实施报告实例操作步骤
SPSS 统计分析
多元线性回归分析法操作与分析
实验目的:
引入1998~2008年上海市城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率和房屋空置率作为变量,来研究上海房价的变动因素。
实验变量:
以年份、商品房平均售价(元/平米)、上海市城市人口密度(人/平公里)、城市居民人均可支配收入(元)、五年以上平均年贷款利率(%)和房屋空置率(%)作为变量。
实验法:多元线性回归分析法
软件:spss19.0
操作过程:
第一步:导入Excel数据文件
1. open data document——open data——open;
2. Opening excel data source——OK.
第二步:
1.在最上面菜单里面选中 Analyze——Regression——Linear ,Dependent(因变量)选择商品房平均售价,Independents(自变量)选择城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率、房屋空置率;Method 选择 Stepwise. 进入如下界面:
2.点击右侧 Statistics,勾选 Regression Coefficients(回归系数)选项组中的 Estimates;勾选 Residuals(残差)选项组中的 Durbin-Watson、Casewise diagnostics 默认;接着选择 Model fit、Collinearity diagnotics;点击Continue.
3.点击右侧 Plots,选择*ZPRED(标准化预测值)作为纵轴变量,选择DEPENDNT(因变量)作为横轴变量;勾选选项组中的 Standardized Residual Plots(标准化残差图)中的 Histogram、Normal probability plot;点击 Continue.
4.点击右侧 Save,勾选 Predicted Vaniues(预测值)和 Residuals(残差)选项组中的 Unstandardized;点击 Continue.
5.点击右侧 Options,默认,点击 Continue.
6.返回主对话框,单击 OK.
输出结果分析:
1.引入/剔除变量表
该表显示模型最先引入变量城市人口密度 (人/平公里),第二个引入模型的是变量城市居民人均可支配收入(元),没有变量被剔除。
2. 模型汇总
Variables Entered/Removed a a
Model Variables Entered Variables Removed Method 1 城市人口密度
(人/平公里) . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-to-remove >= .100). 2 城市居民人均可支配收入(元) . Stepwise (Criteria: Probability-of-F-to-enter <= .050, Probability-of-F-to-remove >= .100). a. Dependent Variable: 商品房平均售价(元/平米)
Model Summary c c
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 1.000 a
1.000 1.000 35.
2 1.000 b
1.000 1.000 28.351 2.845 a. Predictors: (Constant), 城市人口密度
(人/平公里) b. Predictors: (Constant), 城市人口密度
(人/平公里), 城市居民人均可支配收入(元) c. Dependent Variable: 商品房平均售价(元/平米)
该表显示模型的拟合情况。从表中可以看出,模型的复相关系数(R)为 1.000,判定系数(R Square)为 1.000,调整判定系数(Adjusted R Square)为 1.000,估计值的标准误差(Std. Error of the Estimate)为 28.351,Durbin-Watson 检验统计量为 2.845,当 DW≈2 时说明残差独立。
3. 差分析表
ANOVA c c
Model Sum of Squares df Mean Square F Sig. 1 Regression 38305583.506 1 38305583.506 30938.620 .000 a
Residual 11143.039 9 1238.115
Total 38316726.545 10
2 Regression 38310296.528 2 19155148.264 23832. .000 b
Residual 6430.018 8 803.752
Total 38316726.545 10
a. Predictors: (Constant), 城市人口密度
(人/平公里) b. Predictors: (Constant), 城市人口密度
(人/平公里), 城市居民人均可支配收入(元) c. Dependent Variable: 商品房平均售价(元/平米)
该表显示各模型的差分析结果。从表中可以看出,模型的 F 统计量的观察值为 23832.,概率 p 值为 0.000,在显著性水平为 0.05 的情形下,可以认为:商品房平均售价(元/平米)与城市人口密度 (人/平公里),和城市居民人均可支配收入(元)之间有线性关系。
4. 回归系数 Coefficients a a
该表为多元线性回归的系数列表。表中显示了模型的偏回归系数(B)、标准误差(Std. Error)、常数(Constant)、标准化偏回归系数(Beta)、回归系数检验的 t 统计量观测值和相应的概率 p 值(Sig.)、共线性统计量显示了变量的容差(Tolerance)和差膨胀因子(VIF)。
令 x 1 表示城市人口密度(人/平公里),x 2 表示城市居民人均可支配收入(元),根据模型建立的多元多元线性回归程为:
y=1555.506+1.020 x 1
+0.017x 2 程中的常数项为 1555.506,偏回归系数 b1 为 1.020,b2 为 0.017,经T 检验,b1 和 b2 的概率 p 值分别为 0.000 和 0.,按照给定的显著性水平0.10 的情形下,均有显著性意义。
根据容差发现,自变量间共线性问题重;VIF 值为 20.126,也可以说明共线性较明显。这可能是由于样本容量太小造成的。
5. 模型外的变量
Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 (Constant) 1652.246 24.137
68.454 .000
城市人口密度
(人/平公里) 1.072 .006 1.000 175.894 .000 1.000 1.000 2 (Constant) 1555.506 44.432
35.009 .000
城市人口密度
(人/平公里) 1.020 . .951 46.302 .000 .050 20.126 城市居民人均可支配收入(元) .017 .007 .050 2.422 . .050 20.126 a. Dependent Variable: 商品房平均售价(元/平米)
Excluded Variables c c
Model Beta In t Sig. Partial Correlation Collinearity Statistics Tolerance VIF Minimum Tolerance
该表显示的是回归程外的各模型变量的有关统计量,可见模型程外的各变量偏回归系数经重检验,概率 p 值均大于 0.10,故不能引入程。
6. 共线性诊断
该表是多重共线性检验的特征值以及条件指数。对于第二个模型,最大特征值为 2.891,其余依次快速减小。第三列的各个条件指数,可以看出有多重共线性。
7. 残差统计量
1 城市居民人均可支配收入(元) .050 a
2.422 . .650 .050 20.126 .050 五年以上平均年贷款利率(%) -.001 a
-.241 .815 -. .999 1.001 .999 房屋空置率(%) .004 a
.596 .568 .206 .928 1.078 .928 2 五年以上平均年贷款利率(%) .002 b
.391 .708 .146 .913 1.096 . 房屋空置率(%) .002 b
.452 .665 .168 .914 1.094 .049 a. Predictors in the Model: (Constant), 城市人口密度
(人/平公里) b. Predictors in the Model: (Constant), 城市人口密度
(人/平公里), 城市居民人均可支配收入(元) c. Dependent Variable: 商品房平均售价(元/平米)
Collinearity Diagnostics a a
Model Dimension Eigenvalue Condition Index Variance Proportions (Constant) 城市人口密度
(人/平公里) 城市居民人均可支配收入(元) 1 1 1.898 1.000 .05 .05
2 .102 4.319 .95 .95
2 1 2.891 1.000 .00 .00 .00 2 .106 5.213 .21 .03 .00 3 .003 30.736 .78 .97 1.00 a. Dependent Variable: 商品房平均售价(元/平米)
该表为回归模型的残差统计量,标准化残差(Std. Residual)的绝对值最大为 1.659,没有超过默认值 3,不能发现奇异值。
8. 回归标准化残差的直图
该图为回归标准化残差的直图,正态曲线也被显示在直图上,用以判断标准化残差是否呈正态分布。但是由于样本数只有 11 个,所以只能大概判断其呈正态分布。
Residuals Statistics a a
Minimum Maximum Mean Std. Deviation N Predicted Value 3394.71 8382.83 5465.64 1957.302 11 Residual -47. 40.271 .000 25.357 11 Std. Predicted Value -1. 1.490 .000 1.000 11 Std. Residual -1.659 1.420 .000 .894 11 a. Dependent Variable: 商品房平均售价(元/平米)
9.回归标准化的正态 P-P 图
该图回归标准化的正态 P-P 图,该图给出了观测值的残差分布与假设的正态分布的比较,由图可知标准化残差散点分布靠近直线,因而可判断标准化残差呈正态分布。
10.因变量与回归标准化预测值的散点图
该图显示的是因变量与回归标准化预测值的散点图,其中DEPENDENT 为 x 轴变量,*ZPRED 为 y 轴变量。由图可见,两变量呈直线趋势。
附件:
原始数据:
自变量散点图:
由散点图可以看出,可进入分析的变量为城市人口密度、城市居民人均可支配收入。
上一篇:优秀退役军人事迹材料六篇
下一篇:部编版六年级上册语文看拼音写词语