的一元线性回归模型.ppt

从回归系数的显著性检验结果可知，三次函数模型中x3的回归系数没有达到显著性水平，即解释变量x3对被解释变量y的影响是不显著的。而二次函数模型中所有参数均具有统计显著意义，所以选用二次函数模型拟合科技投入和GDP较为合适的GDP（y）对科技投入（x）二次函数回归模型如下： * 图11-11 GDP对科技投入曲线回归 * 三、在多元回归分析中的应用 【例11-3】 以1989~2010年的统计数据为依据（表11-12），估计GDP（y）对RD投入（x1）、教育投入（x2）和实际利用外资（x3）的线性回归模型。 * 在SPSS中进行多元线性回归分析的基本操作程序如下： （1）建立SPSS数据文件，定义“GDP”变量为 y，定义“投资”、“消费”和“净出口”变量分别为x1、x2和x3，并录入相应数据。 （2）选择主菜单[Analyze]=[Regression]=[Linear]，打开[Linear Regression]主对话框。 （3）将左边列表框中变量y输送到右边的[Dependent]框，将变量x1、x2和x3输送到右边的[Independent(s)]框。 * （4）单击[OK]按钮，得到如表11-13~表11-15结果。 * 输出结果的说明： （1）决定性系数为0.998，该三元线性回归方程对总平和的解释能力达到了98.8%。 （2）F=3766.141，p=0.0000.05，所以拒绝零假设，回归方程的线性关系是显著的。 （3）除了常数项外，“教育投入”、“实际利用外资”这两个解释变量的t值较大，在 拒绝零假设，说明此两个解释变量对被解释变量GDP（y）的影响是显著的；“RD投入”t值较小，p=0.5850.05，在 不能拒绝零假设，说明此解释变量对被解释变量GDP（y）的影响是不显著的。 由此可得，以“GDP”（y）为被解释变量和“RD投入”（x1）、“教育投入”（x2）和“实际利用外资”（x3）为解释变量的三元线性回归模型为（说明：由于“RD投入”这一解释变量的影响不显著，得出的回归模型存在问题，此处仅做演示） ? 三元线性标准化回归模型为： * 四、在Logistic 回归分析中的应用 【例11-4】 下表是2012年32家民营企业的财务数据和信用评级数据资料，试以其为依据进行logistic回归分析。 * 表11-16中， x1：固定资产净值； x2：本年短期借款额； x3：本年长期借款额； x4：本年主营业务（工程结算）收入； x5：本年筹资活动现金流入； x6：本年负债总额 y： 信用评级（无风险或轻微风险y=1 ；有风险y=0）。 在SPSS 中进行Logistic 回归分析的基本程序如下： （1）在SPSS中录入对应的原始数据，建立SPSS数据文件。 （2）在主菜单中选择[Analyze]=[Regression]=[Binary Logistic]（如图11-13所示）。 * （2）在[Logistic Regression]对话框中，选择 进入[Dependent]框作为因变量，选择x1、x2、x3、x4、x5和x6进入[Covariates]作为自变量（图11-14）。单击[Method]的下拉菜单，SPSS 提供了7 种回归分析方法： ①[Enter]：所有自变量强制进入回归方程； ②[Forward：Conditional]：以假定参数为基础作似然比检验，向前逐步选择自变量； ③[Forward：LR]：以最大局部似然为基础作似然比检验，向前逐步选择自变量； ④[Forward：Wald]：做Wald概率统计法，向前逐步选择自变量； ⑤[Backward：Conditional]：以假定参数为基础作似然比检验，向后逐步选择自变量； ⑥[Backward：LR]：以最大局部似然为基础作似然比检验，向后逐步选择自变量； ⑦[Backward：Wald]：做Wald 概率统计法，向后逐步选择自变量。 本例选[Forward：Conditional]方法。 * * （4）单击[Logistic Regression]对话框中的[Options]按钮，在显示的子对话框中选择[Classification plots]和[Hosmer-Lemeshow goodness-of-fit]等选项（图11-15），并单击[Continue]返回主对话框。 * （5）单击主对话框中[OK]按钮，主要结果输出如下。 Block 0: Beginning Block。Block 0拟合的是