二、多元逐步回归分析 多元线性回归分析指不只一个自变量的线性回归分析。多元线性回归方程可以表示为(以二元为例): Y=b0+b1x1+b2x2 根据自变量的引入方式不同,又有多种多元线性回归。前面介绍一元线性回归分析时,自变量采用的是”enter”进入方式,这里说说另外一种自变量引入方式“stepwise”(逐步引入),这种方式的回归分析又叫逐步回归分析。 在实际问题中,
人们总是希望从对因变量 这里继续以前面的数据为例,不过本例把因变量设置为肺活量,自变量位身高、体重、耐力项目成绩、柔韧力量项目成绩、速度灵巧项目成绩。 步骤: 1. 在SPSS里执行“分析—〉回归分析—〉线性”,弹出对话框,因变量设置为肺活量,自变量选择身高、体重、耐力项目成绩、柔韧力量项目成绩、速度灵巧项目成绩,方法选择“stepwise”,然后点确定。
2. 逐步回归分析结果,见下面的四个表格。 表格一:
该表格显示逐步回归的四个模型的复相关系数(R)及决定系数(R2)和校正的决定系数。从表中可以看出,随着引入自变量的增多,复相关系数也在增大。模型能解释的比率(校正的R2)也增大了。 表格二: 该表格为对逐步回归分析的四个模型进行F检验,从表中可以看出,四个模型都具有统计学意义。 表格三:
该表为各个系数的检验,从表中可以看出,各个模型的所有系数都具有统计学意义。 表格四:
该表格为新增的一个表格,主要是按照偏回归系数的大小逐步引入自变量。首先引入偏回归系数最高的身高变量(模型1),剩下的变量在固定了身高的影响后再进行分析,找到偏回归系数最高的,并进行显著性检验,只有在变量具有统计学意义的时候才能引入,从而依次引入了体重(模型2)、速度灵巧项目成绩(模型3)、柔韧力量项目成绩(模型4)。耐力项目成绩因检验不具有统计学意义,放弃引入。每引入一个变量都要进行F检验,以检查模型是否具有统计学意义(见表二)。 综合上面几个表格,可以得出逐步回归分析的回归方程依次为: =-8307.226+70.996x1 =-5869.159+45.960x1+30.886x2 =-6003.115+46.459x1+30.975x2+8.555x3 =-6389.881+46.518x1+31.007x2+37.559x3+8.202x4 最后一个方程即为最优的回归方程。从回归方程也可以看出,肺活量与身高、体重、速度灵巧项目成绩、柔韧力量项目成绩均有线性正相关关系。 |
|