Python全系列 教程
3567个小节阅读:5931.3k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本,未来主流的版本
人工智能 教程
顺势而为,AI创新未来
大厂算法 教程
算法,程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
线性回归(linear regression)是分析变量间数量依存关系的统计分析方法。如果某一个变量随着另一个变量的变化而变化,并且它们的变化关系呈直线趋势,就可以用直线回归方程来定量地描述它们之间的数量依存关系,这就是线性回归分析。
一元线性回归的数学模型为:
上式表明,被解释变量y的变化可由两个部分解释:第一,由解释变量x的变化引起的y的线性变化部分,即y=β~0~+β~1~x; 第二,由其他随机因素引起的y的变化部分,即ε。
导入数据
选项按钮中直接使用默认参数即可。
点击“确定”按钮,查看统计结果:
从描述统计中可以看到患病率和碘含量的平均值、标准偏差和个案数。
从相关性中可以看到,患病率和碘含量相关系数0.971,显著性为0。说明碘含量和患病率显著相关。
由表可见,只有一个自变量,变量选择的方法为强行输入法,也就是将所有的自变量都放入模型中。
上表可看到,是对回归方程拟合情况的描述,可知相关系数的取值(R),相关系数的平方即决定系数,决定系数值为0.943,初步判断模型拟合效果良好。
对回归方程的显著性检验,一元线性回归方程的显著性检验的原假设H~0~是β~1~=0,即回归系数与零无显著性差异。F=115.136,P=0.000,概率P值小于α,应该拒绝原假设,认为回归系数与零存在显著差异,被解释变量(患病率)与解释变量(碘含量)的线性关系显著,可以用线性模型描述和反映它们之间的关系。
在一元线性回归分析中,回归方程的显著性检验和回归系数的显著性检验的作用是相同的,同时,回归方程的显著性检验中的F统计量等于回归系数的显著性检验中的t统计量的平方,即F=t^2^
上面已经得出回归公式,接下来我们需要检验数据是否可以做回归分析,它对数据的要求是苛刻的,有必要就残差进行分析,下面是残差的正态性图形结果。
从标准化残差直方图来看,左右两侧不完全对称;从标准化残差的P-P图来看,散点并没有全部靠近斜线,并不完美。
综合而言,残差正态性结果不是最好的,当然在现实分析当中,理想状态的正态并不多见,接近或近似即可考虑接受。
1. 关于线性回归,下列说法正确的是_______
A 线性回归属于相关分析
B 线性回归用来研究非线性关系
C 用直线回归方程来定量地描述它们之间的数量依存关系
D 以上说法均不正确
2. SPSS进行线性回归的菜单选项是___:
A 【分析】----> 【回归】----> 【线性】
B 【分析】----> 【相关】----> 【双变量】
C 【分析】----> 【比较平均值】----> 【平均值】
D 【分析】----> 【相关】----> 【距离】
1=>C 2=>A