《统计分析与SPSS的应用第五版》课后练习答案第9章Word文档格式.docx

《统计分析与SPSS的应用第五版》课后练习答案第9章Word文档格式.docx

《《统计分析与SPSS的应用第五版》课后练习答案第9章Word文档格式.docx》由会员分享，可在线阅读，更多相关《《统计分析与SPSS的应用第五版》课后练习答案第9章Word文档格式.docx（27页珍藏版）》请在冰豆网上搜索。

50.00

60.00

70.00

00.00

90.00

1M.OO

'

■-jfemalemale

接下来在SPSS俞出查看器中，双击上图，打开图表编辑

閒|匿恚層器-'

*；

|!

凹jW

在图表编辑器中，选择“元素”菜单选择总计拟合线选择线性应用再选择元素菜单点击子组拟合线选择线性应用。

40.00-

OO

QO

00.00^

^male

Ft2^140-）-0182female:

R2.'

=0.208male:

R2^n-0.16S

40.0050006G.Q070.00000090.001Q0.00

分析：

如上图所示，通过散点图，被解释变量y（即：

fore）与解释变量phy有一定

的线性关系。

但回归直线的拟合效果都不是很好。

2、请说明线性回归分析与相关分析的关系是怎样的？

相关分析是回归分析的基础和前提，回归分析则是相关分析的深入和继续。

相关分析需要依

靠回归分析来表现变量之间数量相关的具体形式，而回归分析则需要依靠相关分析来表现变

量之间数量变化的相关程度。

只有当变量之间存在高度相关时，进行回归分析寻求其相关的

具体形式才有意义。

如果在没有对变量之间是否相关以及相关方向和程度做出正确判断之

前，就进行回归分析，很容易造成“虚假回归”。

与此同时，相关分析只研究变量之间相关的方向和程度，不能推断变量之间相互关系的具体形式，也无法从一个变量的变化来推测另一个变量的变化情况，因此，在具体应用过程中，只有把相关分析和回归分析结合起来，才能达到研究和分析的目的。

线性回归分析是相关性回归分析的一种，研究的是一个变量的增加或减少会不会引起另一个

变量的增加或减少。

3、请说明为什么需要对线性回归方程进行统计检验？

一般需要对哪些方面进行检验？

检验其可信程度并找出哪些变量的影响显著、哪些不显著。

主要包括回归方程的拟合优度检验、显著性检验、回归系数的显著性检验、残差分析等。

线性回归方程能够较好地反映被解释变量和解释变量之间的统计关系的前提是被解释变量和解释变量之间确实存在显著的线性关系。

回归方程的显著性检验正是要检验被解释变量和解释变量之间的线性关系是否显著,用线性模型来描述他们之间的关系是否恰当。

一般包括回归系数的检验，残差分析等。

4、请说明SPSS多元线性回归分析中提供了哪几种解释变量筛选策略？

向前、向后、逐步。

5、先收集到若干年粮食总产量以及播种面积、使用化肥量、农业劳动人数等数据，请利用建立多元线性回归方程，分析影响粮食总产量的主要因素。

数据文件名为粮食总产量.sav”。

方法：

采用“前进“回归策略。

分析回归线性将粮食总产量导入因变量、其余变量导入自变量方法项选“前

进”确定。

如下图：

（也可向后、或逐步）

已输入/除去变量a

模型

已输入变量

已除去变量

方法

1

施用化肥量（kg/

公顷）

向前（准则：

F-to-enter的

概率<

=.050）

2

风灾面积比例

（%）

3

年份

4

总播种面积（万

F-to-enter的概率<

=.050）向前（准则：

a.因变量：

粮食总产量（y万吨）

模型摘要

a.预测变量：

（常量）

，施用化肥量

（kg/公顷）

b.预测变量：

（kg/公顷）,风灾面积比例（％）

c.预测变量：

（kg/公顷）,风灾面积比例（%）,

份

d.预测变量：

份，总播种面积（万公顷）

年

anovA

平方和

自由度

均方

F

显著性

回归

1887863315.616

388.886

.000b

残差

160199743.070

33

4854537.669

总计

2048063058.686

34

1946000793.422

973000396.711

305.069

.000c

102062265.263

32

3189445.789

1984783160.329

661594386.776

324.106

.000d

63279898.356

31

2041287.044

2024563536.011

506140884.003

646.150

.000e

23499522.675

30

783317.423

a.因变量：

b.预测变量：

（常量），施用化肥量（kg/公顷）

C.预测变量：

（kg/公顷）,

d.

预测变量：

（%）,

e.

年份，总播种面积（万公

顷）

系数

非标准化系数

标准系数

t

B

标准错误

贝塔

17930.148

504.308

35.554

.000

施用化肥量（kg/公顷）

179.287

9.092

.960

19.720

20462.336

720.317

28.407

193.701

8.106

1.037

23.897

风灾面积比例（％）

-327.222

76.643

-.185

-4.269

-460006.046

110231.478

-4.173

137.667

14.399

.737

9.561

-293.439

61.803

-.166

-4.748

244.920

56.190

.323

4.359

-512023.307

68673.579

-7.456

139.944

8.925

.749

15.680

-302.324

38.305

-.171

-7.893

253.115

34.827

.334

7.268

总播种面积（万公顷）

2.451

.344

.141

7.126

结论：

如上4个表所示，影响程度中大到小依次是：

施用化肥量（kg/公顷）,风灾面积比例（％）,年份,总播种面积（万公顷）。

（排除农业劳动者人数（百万人）和粮食播种面积（万公顷）对粮食总产量的影响）

易9除农业劳动者人数（百万人）和粮食播种面积（万公顷）后：

分析回归线性将粮食总产量导入因变量、其余4个变量（施用化肥量（kg/公顷）,风灾面积比例（％）,年份，总播种面积（万公顷））导入自变量方法项选“输入”确定。

如下图：

粮食总产量回归方程：

Y=-7.893X1+15.68X2+7.126X3+7.268X4-7.456

6、一家产品销售公司在30个地区设有销售分公司。

为研究产品销售量（y）与该公司的销售

价格（x1）、各地区的年人均收入（x2）、广告费用（x3）之间的关系，搜集到30个地区的有关数据。

进行多元线性回归分析所得的部分分析结果如下：

ModelSumofSquares

Df

MeanSquare

Sig.

Regression

4008924.7

8.88341E-13

Residual

Total

13458586.7

29

UnstandardizedCodfficients

Std.Error

（Constant）

7589.1025

2445.0213

3.1039

0.00457

X1

-117.8861

31.8974

-3.6958

0.00103

X2

80.6107

14.7676

5.4586

0.00001

X3

0.5012

0.1259

3.9814

0.00049

1）将第一张表中的所缺数值补齐