SPSS线性回归分析实用教案

《SPSS线性回归分析实用教案》由会员分享，可在线阅读，更多相关《SPSS线性回归分析实用教案（58页珍藏版）》请在装配图网上搜索。

1、学习学习(xux)的内容与目标的内容与目标 掌握线性回归分析的主要指标，了解最小二乘法的基本(jbn)思想 熟练掌握线性回归分析的具体操作，读懂分析结果；掌握计算结果之间的数量关系，写出回归方程，对回归方程进行各种统计检验 了解多元回归分析中自变量筛选的策略，以及对应结果的分析 了解SPSS残差分析和多重共线检测的基本(jbn)操作，并能分析结果第1页/共57页第一页，共58页。9.1回归分析回归分析(fnx)概述概述9.1.1什么是回归分析什么是回归分析“回归回归”一词最初源于英国统计学家一词最初源于英国统计学家F.Galton（高尔顿）描述父亲的身高和其成（高尔顿）描述父亲的身高和其成年儿

2、子身高之间的关系，发现成年儿子的身高会趋向于子辈身高的平均值，年儿子身高之间的关系，发现成年儿子的身高会趋向于子辈身高的平均值，F.Galton称这种现象为称这种现象为“回归回归”。用于分析事物之间的统计关系，并通过回归方程的形式描述变量间的数量变化规用于分析事物之间的统计关系，并通过回归方程的形式描述变量间的数量变化规律，帮助人们准确把握律，帮助人们准确把握(bw)变量受一个或多个变量的影响程度，进而为预测变量受一个或多个变量的影响程度，进而为预测提供依据。提供依据。第2页/共57页第二页，共58页。回归回归(hugu)分析和相关分析分析和相关分析 1.相关分析相关分析 变量性质：都是随机变

3、量且关系变量性质：都是随机变量且关系(gun x)对等对等 分析方法：图表法（散点图）和相关系分析方法：图表法（散点图）和相关系(gun x)数数 分析目的：判定变量之间相关方向和关系分析目的：判定变量之间相关方向和关系(gun x)的密切程度的密切程度 2.回归分析回归分析 变量性质：自变量（确定型变量）和因变量（随机变量）的关系变量性质：自变量（确定型变量）和因变量（随机变量）的关系(gun x)且不对等且不对等 分析方法：建立回归模型分析方法：建立回归模型 分析目的：研究变量间数量依存关系分析目的：研究变量间数量依存关系(gun x)第3页/共57页第三页，共58页。9.1.2如何如何(

4、rh)得到回归线得到回归线函数拟合函数拟合首先，通过散点图观察变量之间的统计关系，得到对回归线首先，通过散点图观察变量之间的统计关系，得到对回归线的感性认知，并据之确定最简洁的数学函数（回归模型）；的感性认知，并据之确定最简洁的数学函数（回归模型）；其次，利用样本数据在一定其次，利用样本数据在一定(ydng)的拟合准则下，估计回的拟合准则下，估计回归模型中各个参数，得到确定的回归方程；归模型中各个参数，得到确定的回归方程；最后，由于回归参数是在样本数据的基础上得到的，存在随最后，由于回归参数是在样本数据的基础上得到的，存在随机性。因此需要进行各种检验。机性。因此需要进行各种检验。第4页/共57

5、页第四页，共58页。9.1.3回归分析的一般回归分析的一般(ybn)步骤步骤 确定回归方程中的解释变量（父亲身高确定回归方程中的解释变量（父亲身高x）和被解释变量（儿子身高）和被解释变量（儿子身高y） 确定回归模型（线性与非线性）确定回归模型（线性与非线性） 建立回归方程，并估计出模型中的参数建立回归方程，并估计出模型中的参数 对回归方程进行各种检验对回归方程进行各种检验(jinyn) 利用方程进行预测利用方程进行预测第5页/共57页第五页，共58页。9.2 线性回归分析线性回归分析(fnx)和线性回和线性回归模型归模型 观察被解释变量观察被解释变量y和一个或多个解释变量和一个或多个解释变量x

6、i的散点图，当发现的散点图，当发现y与与xi之间呈现出显著的之间呈现出显著的线性关系时，应采用线性回归分析的方法，线性关系时，应采用线性回归分析的方法，建立建立y关于关于xi的线性回归模型。的线性回归模型。 线性回归模型可分为线性回归模型可分为(fn wi)： 一元线性回归模型一元线性回归模型 多元线性回归模型多元线性回归模型第6页/共57页第六页，共58页。9.2.1一元线性回归模型（只有一元线性回归模型（只有(zhyu)1个个解释变量）解释变量） 数学模型为：数学模型为： y=0+1x+ 上式表明：上式表明：y的变化可由两部分解释：第一，由解释变量的变化可由两部分解释：第一，由解释变量x的

7、变化引起的变化引起(ynq)的的y的线性变化部分，即的线性变化部分，即y=0+1x；第二，由其他随机因素引起第二，由其他随机因素引起(ynq)的的y的变化部分，即的变化部分，即。 0 、1 都是模型中的未知参数，都是模型中的未知参数，0为回归常数，为回归常数，1为为y对对x回归系数（即回归系数（即x每变动一个单位所引起每变动一个单位所引起(ynq)的的y的平均变动）的平均变动） 。 称为随机误差。且满足：称为随机误差。且满足：E()=0，Var()=2 。第7页/共57页第七页，共58页。一元线性回归方程：一元线性回归方程：E（y）=0+1x 表明表明x和和y之间的统计关系是在平均之间的统计关

8、系是在平均(pngjn)意义下表述的。意义下表述的。估计的一元线性回归方程：估计的一元线性回归方程： 估计方程是平面上的一条直线，即回估计方程是平面上的一条直线，即回归直线。归直线。参数分别代表回归直线的截距和斜率。参数分别代表回归直线的截距和斜率。cbb10+=y第8页/共57页第八页，共58页。9.2.2多元多元(du yun)线性回归模型线性回归模型 多元多元(du yun)数学模型：数学模型： y=0+1x 1+2x 2 .+px p + 多元多元(du yun)线性回归方程：线性回归方程： E（y）=0+1x 1+2x 2 .+px p 估计多元估计多元(du yun)线性回归方程：

9、线性回归方程： y=0+1x 1 +2x 2 . +px p第9页/共57页第九页，共58页。9.2.3回归回归(hugu)参数的最小二乘参数的最小二乘估计估计 （ordinary least square estimation ,OLSE）p估计思想：估计思想：p 使每个样本点（使每个样本点（xi , yi）与回归线上的）与回归线上的对应点（对应点（ xi , E（yi ）在垂直方向上）在垂直方向上偏差距离的二次方总和达到最小的原则偏差距离的二次方总和达到最小的原则(yunz)来估计参数来估计参数p 即，即，（ yi - E（yi ）2 =最小最小p一元二乘估计：一元二乘估计：p多元二乘估计

10、（略）多元二乘估计（略）第10页/共57页第十页，共58页。9.3回归方程的统计回归方程的统计(tngj)检验检验拟合优度检验(jinyn)回归方程的显著性检验(jinyn)回归系数的显著性检验(jinyn)残差分析第11页/共57页第十一页，共58页。9.3.1回归方程的拟合回归方程的拟合(n h)优度检验优度检验 用于检验样本数据点聚集在回归线周围的密集程度，从而评价回归线对样本数据的代表程度。思想(sxing)：因变量y（儿子身高）取值的变化受两个因素的影响：自变量x（父亲身高）不同取值的影响，其他因素（环境、饮食等）的影响。可表示如下:因变量总变差 = 自变量引起的 + 其他因素引起的

11、即因变量总变差= 回归方程可解释的+不可解释的即，因变量总离差平方和SST =回归平方和 SSA + 剩余平方和SSE第12页/共57页第十二页，共58页。yyiYiiiiyye=yyyiyixyb+=eyyyy+=图示：图示：第13页/共57页第十三页，共58页。第14页/共57页第十四页，共58页。一、一元一、一元(y yun)线性回归方程线性回归方程拟合优度的检验采用R2统计量，称为(chn wi)判定系数R2=SSA/SST=1-SSE/SST.R2体现了回归方程所能解释的因变量变差的比例;1-R2体现了回归方程所无法解释的变差比例。=niiniiniiniiyyyyyyyyR1212

12、12122)() (1)()(第15页/共57页第十五页，共58页。 R2越接近于1，则说明回归(hugu)平方和占了绝大部分比例，因变量y的变差主要由自变量x的取值造成，回归(hugu)方程对样本数据点拟合得好 在一元线性回归(hugu)中，判定系数R2=相关系数r2; 因此，从这个意义上讲，判定系数能够比较好地反映回归(hugu)直线对样本数据的代表程度和线性相关性。说明说明(shumng)第16页/共57页第十六页，共58页。二、多元二、多元(du yun)线性回归方程线性回归方程 多元线性回归方程的拟合优度检验采用统计(tngj)量 ，称为调整的判定系数 调整的判定系数：判定系数受解释

13、变量X的个数p的影响，在p的个数不同的模型之间进行比较时，判定系数必须进行调整。因变量的样本方差均方误差=12R第17页/共57页第十七页，共58页。9.3.2回归方程的显著性检验回归方程的显著性检验(jinyn) 用于检验被解释变量(binling)与所有解释变量(binling)之间的线性关系是否显著，用线性模型来描述它们之间的关系是否恰当，即检验模型对总体的近似程度。SST =回归平方和 SSA + 剩余平方和SSE回归方程的显著性检验中采用方差分析的方法，研究在SST中SSA相对于SSE来说是否占有较大比例。如果比例较大，表明y与x全体的线性关系明显，则利用线性模型反映y与x的关系是恰

14、当的；反之，不恰当。第18页/共57页第十八页，共58页。u原假设H0: 1 =0 .即:回归系数与0无显著差异u利用F检验,构造F统计(tngj)量：uFF(1,n-2)u判断：若 pa，则拒绝H0 ，模型的线性关系是显著的;反之，模型的线性关系不显著.)2/()()(22=nyyyyFiii一、一元(y yun)线性回归方程显著性检验第19页/共57页第十九页，共58页。u原假设H0: 1 = 2=. =p = 0 .即:各个回归系数同时与0无显著差异u利用F检验,构造F统计量：uFF(p,n-p-1)u判断：若 pa，则拒绝(jju)H0 ，模型的线性关系是显著的;反之，模型的线性关系不

15、显著.) 1/()(/)(22=pnyypyyFiii二、多元(du yun)线性回归方程的显著性检验第20页/共57页第二十页，共58页。R2检验(jinyn)与F检验(jinyn)的关系 F是R2的单调(dndio)增函数，F与 一一对应。22/1/1/ (1)/1SSA PnpSSA SSTnpRFSSEnppSSESSTpR=2RR2FF2R图图1 F1 F统计统计(tngj)(tngj)量与量与R2R2的的关系关系第21页/共57页第二十一页，共58页。9.3.3回归系数的显著性检验回归系数的显著性检验(jinyn) 主要目的是研究(ynji)回归方程中每个解释变量与被解释变量之间是

16、否存在显著的线性关系。 即研究(ynji)每个解释变量能否有效的反映被解释变量的线性变化，它们能否保留在线性回归方程中。 回归系数的显著性检验是围绕回归系数估计值的抽样分布展开的，构造统计量，并进行检验。第22页/共57页第二十二页，共58页。一、一元一、一元(y yun)线性回归方程显著性线性回归方程显著性检验检验回归系数的显著性检验(jinyn):t检验(jinyn)H0:1=0 ，即:回归系数与0无显著差异,利用t检验(jinyn)：2)()2()(221=nyySntxxtiiyib其中，第23页/共57页第二十三页，共58页。 若 pa,不能拒绝(jju)H0， y和x线性关系不显著

17、。一元线性回归方程的检验和回归系数的检验是等效的。第24页/共57页第二十四页，共58页。 需要对回归系数是否为零逐一进行检验。 原假设H0:i=0 ，即:第i个偏回归系数与0无显著差异 利用t检验统计(tngj)量（略） 若与t统计(tngj)量的概率伴随p a，则拒绝H0 多元线性回归中回归系数的检验与整体回归方程的检验不能相互替代。二、多元线性方程(xin xn fn chn)回归系数的检验第25页/共57页第二十五页，共58页。9.3.4残差分析残差分析(fnx) 残差指由回归(hugu)方程计算所得的预测值与实际样本值之间的差距，即模型中i 的估计值：回归(hugu)模型要求：残差序

18、列中不含明显的规律性和趋势性，均值为零、正态分布、等方差，且序列是独立的。第26页/共57页第二十六页，共58页。一、残差均值一、残差均值(jn zh)为零的正态分析为零的正态分析 可以通过绘制残差散点图来观察：如果残差的均值为零，残差图中的点应在纵坐标为零的横线上下随机(su j)散落，如下图。第27页/共57页第二十七页，共58页。二、残差的独立性分析二、残差的独立性分析(fnx)（非自相（非自相关）关） 残差是独立的，则残差序列(xli)应满足cov（i , j）=0（ij）,表示残差序列(xli)前期和后期之间不存在相关关系，即不存在自相关。独立性检验方式：第一、绘制残差序列(xli)

19、图（下图残差随时间的推移，呈有规律变化，表明残差序列(xli)存在一定的正或负自相关）第28页/共57页第二十八页，共58页。自相关(xinggun)系数用于测定序列自相关(xinggun)强弱，其取值范围-1+1，接近1表明序列存在正自相关(xinggun)第二(d r)、计算残差的自相关系数第29页/共57页第二十九页，共58页。 DW检验用于推断小样本序列是否存在(cnzi)自相关的方法。其原假设为：总体自相关系数与零无显著差异。采用统计量为：DW取值在04之间： =（-1,0）时，DW=（2，4）残差序列负自相关 =0时， DW=2，残差序列无自相关 = （0,1）时，DW=（0，2）

20、残差序列正自相关 残差存在(cnzi)自相关表明遗漏了解释变量，或变量取值存在(cnzi)滞后性，或线性模型不适合第三(d sn)、DW（durbin-watson）检验第30页/共57页第三十页，共58页。三、残差异三、残差异(chy)方差分析方差分析 回归分析要求残差的方差相等，如果存在异方差，则参数的最小二乘估计不再是最小方差的无偏估计。因此需要检验残差是否存在异方差。其方法：第一，绘制残差图（下图残差的方差随解释变量值的增加呈现增加趋势(qsh)，表明存在异方差）第31页/共57页第三十一页，共58页。 第二，计算等级相关系数 得到残差序列后首先取其绝对值，然后分别计算出残差和解释变量

21、的 秩，最后计算spearman等级相关系数，进行( jnxng)等级相关分析。若p值小于给定显著性水平，则拒绝原假设，认为解释变量与残差间存在显著相关，出现了异方差现象。第32页/共57页第三十二页，共58页。9.4 多元回归分析多元回归分析(fnx)中的其它问题中的其它问题9.4.1解释变量解释变量(binling)的筛选问题的筛选问题 多元回归分析中，模型选中应引入多少解释变量多元回归分析中，模型选中应引入多少解释变量(binling)呢？少了难以解呢？少了难以解释对解释变量释对解释变量(binling)的变化，多了会引起多重共线。的变化，多了会引起多重共线。一、向前筛选策略一、向前筛选

22、策略 指解释变量指解释变量(binling)不断进入回归方程的策略。不断进入回归方程的策略。首先引入与被解释变量首先引入与被解释变量(binling)线性相关系数最高的解释变量线性相关系数最高的解释变量(binling)进进入方程，并进行回归方程的各种检验；入方程，并进行回归方程的各种检验；然后，引入与被解释变量然后，引入与被解释变量(binling)偏相关系数最高并通过检验的解释变量偏相关系数最高并通过检验的解释变量(binling)，并对新方程进行各项检验；，并对新方程进行各项检验；直到没有可引入的变量直到没有可引入的变量(binling)为止。为止。第33页/共57页第三十三页，共58页

23、。二、向后筛选策略 指解释变量不断剔除出回归方程的过程。首先，将所有解释变量引入方程，并检验；然后剔除t检验值不显著（最小）的一个或多个变量，重新建立回归方程并进行各种检验。如果回归系数都显著，则方程建立结束。否则，接着依次删除最不显著的解释变量。三、逐步筛选策略 指向前向后筛选的综合(zngh)策略。在向前筛选过程中，随着变量不断引入方程，需要再次判断是否存在可剔除的解释变量，如有，则剔除。第34页/共57页第三十四页，共58页。9.4.2 变量变量(binling)的多重共线性的多重共线性问题问题 变量的多重共线：指解释变量之间存在线性相关关系的现象变量的多重共线：指解释变量之间存在线性相

24、关关系的现象(xinxing)。 若存在多重共线，则会造成偏回归系数估计困难、估计的方差增大、估计值的不稳定性若存在多重共线，则会造成偏回归系数估计困难、估计的方差增大、估计值的不稳定性增强、偏回归系数假设检验的结果不显著等问题。增强、偏回归系数假设检验的结果不显著等问题。 测度多重共线的方法如下：测度多重共线的方法如下：第35页/共57页第三十五页，共58页。一、容忍度一、容忍度 解释变量xi 的容忍度:Toli=1-Ri2，其中: Ri2是解释变量xi与方程中其他解释变量间复相关系数的平方(pngfng)，表明了解释变量之间的线性相关程度。 容忍度大表示与其他自变量的共线性低,应进入方程。

25、容忍度很小的变量,spss才会给出警告，不应进入方程 （T0.1一般认为具有多重共线性）第36页/共57页第三十六页，共58页。二、方差膨胀二、方差膨胀(png zhng)因子因子 方差膨胀因子(VIF):容忍度的倒数 方差膨胀因子取值大于等于1。R i 2接近(jijn)0，解释变量间多重共线性越弱，VIF i 越接近(jijn)于1。 如果VIF i 大于等于10，说明解释变量xi 与方程中其余解释变量之间有严重的多重共线性。 另外，也可以采用方差膨胀因子的均值来测度多重共线性。第37页/共57页第三十七页，共58页。三、特征值与方差三、特征值与方差(fn ch)比比 如果最大特征值远大于

26、其它特征值，表明该解释变量能刻画所有解释变量绝大部分信息（方差），意味着解释变量间存在(cnzi)较强的线性相关关系。 常以某特征值占70%左右。第38页/共57页第三十八页，共58页。四、条件四、条件(tiojin)指数指数 条件指数是在特征值的基础上定义的，它能反映解释变量间多重共线性指标。定义如下： Ki 为第i个解释变量的条件指标，它是最大特征值m 与第i个特征值比的平方根。 第i个条件指数Ki 越大，表明解释变量间信息重叠的越多，多重共线越严重(ynzhng)。 Ki 小表明共线不明显。 0Ki 10,认为多重共线弱；10 Ki 【regression】-【linear】选择被解释变

27、量进入【dependent】框中选择一个或多个解释变量进入【independent】框在【method】中选择解释变量的筛选策略enter:所选解释变量强行进入回归方程（默认方法，常用于一元回归）remove:从回归方程中剔除所选变量stepwise:逐步筛选策略；backward:向后筛选；forward:向前筛选第40页/共57页第四十页，共58页。 【block】表示设置解释变量不同的筛选策略块。可以按next和previous按钮设置多组解释变量和变量的筛选策略，并放在不同的块中。SPSS将按每一指定策略逐一进行回归。其中【remove】方法(fngf)只能放在第二个以后块中。块设置便

28、于作各种探索性分析。 【selection variable】为设置的条件变量框。Rule表示给定的判定条件。只有满足条件的样本数据才参与回归分析。 【case labels】是指定某变量为样本数据点的标记变量，将再图形中标出。第41页/共57页第四十一页，共58页。9.5.2线性回归的其它线性回归的其它(qt)操作操作一、statistics选项该窗口提供用户可选择的统计量【estimates】是SPSS 默认输出项，输出与回归系数相关(xinggun)的统计量。包括回归系数（偏回归系数）、回归系数标准误差、标准化回归系数（如果各解释变量单位不一致，如希望比较对被解释变量的影响时，可采用）、

29、回归系数显著性检验t统计量和P值、各解释变量的容忍度。【confidence intervals】输出每个非标准化回归系数的95%置信区间第42页/共57页第四十二页，共58页。 【descriptives】：输出各解释变量和被解释变量的均值、标准差、相关系数矩阵及单侧检验概率值。 【model fit】为SPSS 默认输出项，输出判定(pndng)系数、调整的判定(pndng)系数，回归方程的标准误差、回归方程显著性检验的方差分析表。 【R squared change】表示每个解释变量进入方程后引起判定(pndng)系数的变化量（R ch 2 ）和F值的变化量第43页/共57页第四十三页，

30、共58页。 【Part and partial correlation】输出方程中各解释变量(binling)与被解释变量(binling)间的简单相关系数、偏相关系数和部分相关系数。 【covariance matrix】输出各解释变量(binling)间的相关系数、协方差和回归系数的方差。 【Collinearity dignostics】多重共线性诊断。输出各解释变量(binling)的容忍度、方差膨胀因子、特征值、条件指标、方差比率等。 在【residuals】框中：【durbin - watson】表示输出DW检验值（异方差检验）；【casewise diagnostics】表示输出

31、标准化残差绝对值大于等于3的样本数据相关信息。第44页/共57页第四十四页，共58页。二、二、option选项选项该窗口提供解释变量筛选的标准以及缺失值处理方式。【use probability of F】SPSS默认项，表示以偏F统计量的概率值为标准判断解释变量能否进入或剔除出回归方程(fngchng)。一个解释变量的F值显著性水平小于entry（0.05）则该解释变量可以进入方程(fngchng);大于removal（0.1）则剔除出方程(fngchng)。【use F value】:以偏F统计量的临界值来判断解释变量能否进入（默认大于3.84，线性影响显著）方程(fngchng)；还是剔

32、除出（默认小于2.71，不能拒绝原假设，线性影响不显著）方程(fngchng)。第45页/共57页第四十五页，共58页。三、三、plot选项选项该窗口用于对残差的序列分析，包括分析残差散点图、正态分布累计概率图等。窗口左边dependent表示被解释变量、zpred表示标准化预测值、dresid表示标准化残差、adjpred表示剔除异常点后调整(tiozhng)的新预测值、sresid表示学生化残差。绘制多对变量散点图需要在【scatter 1 of 1】框中定义散点图的纵坐标和横坐标变量。在【standardized residual plots】中选【histogram】表示绘制标准化残差

33、序列直方图；选【normal probability plot】表示绘制标准化残差序列正态分布累计概率图；选【produce all partial plots】项，表示一次绘制被解释变量与各个解释变量的散点图。第46页/共57页第四十六页，共58页。四、四、save选项选项表示将回归分析结果保存到数据编辑窗口中（略讲）【predicted value】：保存非标准化预测值unstandardized、标准化预测值standardized、调整的预测值adjusted，解释( jish)变量x=x0 下预测值的均值标准差。【prediction intervals】:保存均值mean、保存个体

34、值的预测值individual 及其95%的上下限。【residuals】：保存非标准化残差unstandardized、标准化残差standardized、学生化残差studentized、剔除化残差deleted第47页/共57页第四十七页，共58页。9.6 线性回归分析线性回归分析(fnx)的应的应用用 问题：利用31个省属地区(dq)高校科研方面数据，进行多元回归分析（高校科研研究），分二步。 （1）先采取强制进入策略模型，并作多重共线检验 【analyze】-【regression】-【linear】 选择被解释变量立项课题数x5进入【dependent】中，选择多个解释变量投入年数

35、x2 、投入高级职称的人年数x3 、投入科研事业费x4 ,专著数x6、论文数x7 、获奖数x8进入【independent】框第48页/共57页第四十八页，共58页。在【method】中选择(xunz)上述被解释变量强制进入策略【enter】，并在【statistics】中选择(xunz)【Collinearity dignostics】进行多重共线性诊断和【durbin - watson】进行DW检验（异方差检验）。第49页/共57页第四十九页，共58页。图示一：图示一：第50页/共57页第五十页，共58页。图示二：图示二：第51页/共57页第五十一页，共58页。一、方程拟合优度检验（因多元

36、，采用调整拟一、方程拟合优度检验（因多元，采用调整拟合优度合优度0.924，较高，被解释变量，较高，被解释变量(binling)被解释的多。被解释的多。DW=1.838，显示残差序列弱正自相关，显示残差序列弱正自相关不独不独立）立）第52页/共57页第五十二页，共58页。二、回归方程的显著性检验二、回归方程的显著性检验(jinyn)（p值很小，方程线性关系显著）值很小，方程线性关系显著）第53页/共57页第五十三页，共58页。三、偏回归系数与多重共线检验（多数三、偏回归系数与多重共线检验（多数P值值较大表明它们与被解释变量关系不显著较大表明它们与被解释变量关系不显著(xinzh)，不应留在方程

37、中。，不应留在方程中。从容忍度和方差膨胀因子看，多重共线也很从容忍度和方差膨胀因子看，多重共线也很严重）严重）第54页/共57页第五十四页，共58页。四、多重共线检验（第四、多重共线检验（第7个特征值能解释投个特征值能解释投入人年数方差的入人年数方差的84%、职称、职称98%、专著、专著(zhunzh)数数44%，可以认为这些变量间，可以认为这些变量间存在多重共线。存在多重共线。5、6、7条件指数大于条件指数大于10也也说明这点。总结论应重建方程）说明这点。总结论应重建方程）第55页/共57页第五十五页，共58页。9.6.2向后筛选策略向后筛选策略(cl)模型（剔除）模型（剔除） 第56页/共57页第五十六页，共58页。谢谢您的观看(gunkn)！第57页/共57页第五十七页，共58页。NoImage内容(nirng)总结学习的内容与目标。了解SPSS残差分析和多重共线检测的基本操作，并能分析结果。估计方程是平面上的一条直线，即回归直线。然后剔除(tch)t检验值不显著（最小）的一个或多个变量，重新建立回归方程并进行各种检验。条件指数是在特征值的基础上定义的，它能反映解释变量间多重共线性指标。【estimates】是SPSS 默认输出项，输出与回归系数相关的统计量。谢谢您的观看第五十八页，共58页。