第6讲 回归分析.ppt

4、模型参数检验结果 说明：此时模型只有常数项，Sig.值=1，模型没有任何统计意义。 5、未纳入模型的变量（预分析过程） 即假设将未纳入模型的变量分别或一起纳入模型之后，模型是否有统计学意义。 说明：从Sig.值看出，除单独纳入变量X3的模型没有统计学意义外，其余模型都显著有统计学意义。 6、模型的全局检验结果 步与步间的相对似然比检验 Block间的相对似然比检验 模型间的相对似然比检验 说明：由于只有一个变量组且采取强行进入法将所有变量纳入模型，得到的3种检验方法的结果一致，模型有显著的统计学意义。 7、模型摘要 -2倍的似然比对数值 （两类决定系数） 说明：从数据看，拟合程度不错。 8、模型的分类预测值 说明：此时模型的准确度达到97%。 9、Logit模型的拟合结果 代入Logistic函数，即得到Y=1的概率值表达式 说明：各变量及常数项的系数都没有显著的统计学意义。 其它分类变量回归简介 因变量是多分类无序变量——【Multinomial】过程 因变量是多分类有序变量——【Ordinal】过程 自变量是分类变量，因变量是数值变量——定义哑元变量 注：对于自变量x是分类变量的回归分析，首先利用【Transform】菜单下的【Compute Variable】过程或【Recode into different Variables】将其设置为哑元变量，再用一般的回归分析方法处理。 在研究一个因变量的时候，解释变量中除了定量变量，有时候会有一些定性变量，例如性别、年龄、宗教、民族、婚姻状况、教育程度等。 这些定性变量也可以成为指标变量、二元变量或分类变量。此时需要使用虚拟变量。 引入哑元变量可使线形回归模型变得更复杂，但对问题描述更简明，一个方程能达到俩个方程的作用，而且接近现实。 如果某个因素有n种选择，则将其用哑变量引入模型时，要设置n-1个哑变量，以避免完全的多重共线性。如性别的选择有两种，则引入一个哑变量，是男则数值为1，否则为0，当然也可以设置为女为1，否则为0。季节的选择有4个，则引入3个哑变量，哑变量1：春为1，否则为0.哑变量2：夏为1，否则为0.哑变量3：秋为1，否则为0 哑元变量，又称虚拟变量（Dummy Variable ）定义： 第五节 非线性回归——Nonlinear过程 线性回归模型：回归参数是线性的，【Linear】过程。 内蕴线性（拟线性）回归模型：其回归参数不是线性的，但是可以通过转换变为线性的参数，【Curve Estimation】过程。 非线性回归模型：其回归参数不是线性的，也不能通过转换的方法将其变为线性的参数，【Nonlinear】过程。 一、非线性回归简介 例5 棉花单株在不同时期的成铃数（Y）与初花后天数（X）存在非线性的关系，假设这一非线性关系可用Gompertz模型表示 ： 某一棉花品种7月5日至9月3日每隔5天的单株成铃数观测值如表所示 试根据观测值拟合模型中的参数。 （数据文件：mianhua.sav） 二、引例（练习四） 【Analyze】/【Regression】/【Nonlinear】 回归模型的因变量 定义回归模型的表达式 所有函数类型 指定迭代初始值 Parameters：指定迭代初始值 选择模型中的参数 定义参数迭代初始值 添加、改变与移出定义的参数迭代初始值 在连续使用非线性回归模型时，是否以上次模型的参数拟合值作为本次模型的迭代初始值 Loss：定义回归模型的损失函数 以均方误差和作为损失函数 自定义损失函数 损失函数定义框 （候选变量列表框） 变量的预测值 变量的残差 （候选参数列表框） （软件盘） （可选函数列表框） Constrain：定义模型中迭代参数的限制条件 对参数不作任何限制 自定义参数的限制条件 Save：定义需要保存的中间统计量 预测值 残差 各参数的导数 损失函数值（当自定义损失函数时，才被激活） Options：设置参数拟合过程中的一些选项 是否利用Bootstrap法估计参数的标准误差 Levenberg-Marquardt法，只适用于无限制的模型 定义参数的估计方法 序列二次规划法，对有无限制的模型都适用 进一步定义序列二次规划法的迭代过程 进一步定义Levenberg-Marquardt法的迭代过程 定义最大迭代次数 定义迭代过程中步长允许的最大变化值 最优容忍度，即定义模型中损失函数的精度 方程精度，即定义拟合的非线性回归模型精度 定义迭代过程中所有参数允许的最大变化值 定义最大迭代次数 定义迭代停止条件 模型损失函数的改变值小于此值时停止迭代 模型所有参数的改变值小于此值时停止迭代 结果解读： 1、模型参数拟合具体的迭代过程