相關分析和回歸分析SPSS實現(xiàn)

1、相關分析與回歸分析、試驗目標與要求本試驗工程的目的是學習并使用 SPSS軟件進行相關分析與回歸分析，具體 包括：(1) 皮爾遜pearson簡單相關系數(shù)的計算與分析(2) 學會在SPS上實現(xiàn)一元及多元回歸模型的計算與檢驗。(3) 學會回歸模型的散點圖與樣本方程圖形。(4) 學會對所計算結(jié)果進行統(tǒng)計分析說明。(5) 要求試驗前，了解回歸分析的如下內(nèi)容。參數(shù)a、B的估計回歸模型的檢驗方法：回歸系數(shù)B的顯著性檢驗(t 檢驗)；回歸 方程顯著性檢驗(F 檢驗)。二、試驗原理1相關分析的統(tǒng)計學原理相關分析使用某個指標來說明現(xiàn)象之間相互依存關系的密切程度。 用來測度 簡單線性相關關系的系數(shù)是Pearson

2、簡單相關系數(shù)。2回歸分析的統(tǒng)計學原理 相關關系不等于因果關系，要明確因果關系必須借助于回歸分析?；貧w分析 是研究兩個變量或多個變量之間因果關系的統(tǒng)計方法。 其根本思想是， 在相關分 析的根底上，對具有相關關系的兩個或多個變量之間數(shù)量變化的一般關系進行測 定，確立一個適宜的數(shù)據(jù)模型， 以便從一個量推斷另一個未知量。 回歸分析 的主要任務就是根據(jù)樣本數(shù)據(jù)估計參數(shù)， 建立回歸模型， 對參數(shù)與模型進行檢驗 與判斷，并進行預測等。線性回歸數(shù)學模型如下：yi0 1 xi1 2x i2k xik i在模型中，回歸系數(shù)是未知的，可以在已有樣本的根底上，使用最小二乘法 對回歸系數(shù)進行估計，得到如下的樣本回歸函數(shù)

3、：? ? ? ?yi 0 1xi1 2xi2k xik ei回歸模型中的參數(shù)估計出來之后，還必須對其進行檢驗。如果通過檢驗發(fā)現(xiàn) 模型有缺陷， 那么必須回到模型的設定階段或參數(shù)估計階段， 重新選擇被解釋變量 與解釋變量及其函數(shù)形式，或者對數(shù)據(jù)進行加工整理之后再次估計參數(shù)?；貧w模 型的檢驗包括一級檢驗與二級檢驗。 一級檢驗又叫統(tǒng)計學檢驗，它是利用統(tǒng)計學 的抽樣理論來檢驗樣本回歸方程的可靠性，具體又可以分為擬與優(yōu)度評價與顯著 性檢驗；二級檢驗又稱為經(jīng)濟計量學檢驗，它是對線性回歸模型的假定條件能否 得到滿足進行檢驗，具體包括序列相關檢驗、異方差檢驗等。三、試驗演示內(nèi)容與步驟1 連續(xù)變量簡單相關系數(shù)的計

4、算與分析在上市公司財務分析中，常常利用資產(chǎn)收益率、凈資產(chǎn)收益率、每股凈收益 與托賓Qfi4個指標來衡量公司經(jīng)營績效。本試驗利用 SPS對這4個指標的相關性 進行檢驗。操作步驟與過程：翻開數(shù)據(jù)文件“上市公司財務數(shù)據(jù)連續(xù)變量相關分析.sav ,依次選擇 “【分析】-【相關】-【雙變量】翻開對話框如圖，將待分析的4個指標移入右邊的變量列表框內(nèi)。其他均可選擇默認項，單擊 ok提交系統(tǒng)運行。圖 5.1 Bivariate Correlations 對話框結(jié)果分析：表給出了 Pearson簡單相關系數(shù)，相關檢驗t統(tǒng)計量對應的p值。相關系數(shù)右上 角有兩個星號表示相關系數(shù)在0.01的顯著性水平下顯著。從表中可

5、以看出，每股收益、凈資產(chǎn)收益率與總資產(chǎn)收益率3個指標之間的相關系數(shù)都在0.8以上，對應 的p值都接近0,表示3個指標具有較強的正相關關系，而托賓 0值與其他3個變量 之間的相關性較弱。表5.1 Pearson簡單相關分析Correlations每股收益率凈資產(chǎn)收益率資產(chǎn)收益率托賓Q值每股收益率Pearson1.877(*).824(*)-.073CorrelationSig. (2-tailed).000.000.199N315315315315凈資產(chǎn)收益率Pearson.877(*)1.808(*)-.001CorrelationSig. (2-tailed).000.000.983N315

6、315315315資產(chǎn)收益率Pearson.824(*).808(*)1.011CorrelationSig. (2-tailed).000.000.849N315315315315托賓Q值Pearson-.073-.001.0111CorrelationSig. (2-tailed).199.983.849N315315315315* Correlation is significant at the 0.01 level (2-tailed).2元線性回歸分析實例分析：家庭住房支出與年收入的回歸模型在這個例子里，考慮家庭年收入對住房支出的影響，建立的模型如下：yixi i其中，yi是住房支

7、出，xi是年收入 線性回歸分析的根本步驟及結(jié)果分析：(1) 繪制散點圖 翻開數(shù)據(jù)文件，選擇【圖形】-【舊對話框】-【散點/點狀】，如圖5.2所示圖5.2散點圖對話框選擇簡單分布，單擊定義，翻開子對話框，選擇X變量與Y變量，如圖5.3所示單擊ok提交系統(tǒng)運行，結(jié)果見圖5.4所示圖 5.3 Simple Scatterplot 子對話框從圖上可直觀地看出住房支出與年收入之間存在線性相關關系7 00-6 005 004 003 00-681 00-80080 86.00 BOO 10.0012.0014.0016.0018.0020 00年收入圖5.4散點圖2簡單相關分析選擇【分析】一【相關】一【雙

8、變量】，翻開對話框，將變量“住房支出 與“年收入移入variables列表框，點擊ok運行，結(jié)果如表5.2所示表5.2住房支岀與年收入相關系數(shù)表Correlations住房支岀千美元年收入千美元住房支岀千美元Pearson Correlation1.966(*)Sig. (2-tailed).000N2020年收入千美元Pearson Correlation.966(*)1Sig. (2-tailed).000N2020* Correlation is significant at the 0.01 level (2-tailed).從表中可得到兩變量之間的皮爾遜相關系數(shù)為0.966，雙尾檢驗

9、概率p值尾0.0000.05，故變量之間顯著相關。根據(jù)住房支出與年收入之間的散點圖與相關 分析顯示，住房支出與年收入之間存在顯著的正相關關系。在此前提下進一步進行回歸分析，建立一元線性回歸方程。3線性回歸分析步驟1:選擇菜單【分析】一【回歸】一【線性】，翻開Linear Regression 對話框。將變量住房支出y移入Dependent列表框中，將年收入x移入Independents 列表框中。在Method框中選擇Enter選項，表示所選自變量全部進入回歸模型。圖 5.5 Lin ear Regresssi on 對話框步驟2：單擊Statistics 按鈕，如圖在Statistics子對

10、話框。該對話框中設置要輸出的統(tǒng)計量。這里選中估計、模型擬合度復選框。圖5.6 Statistics 子對話框估計：輸出有關回歸系數(shù)的統(tǒng)計量，包括回歸系數(shù)、回歸系數(shù)的標準 差、標準化的回歸系數(shù)、t統(tǒng)計量及其對應的P值等。置信區(qū)間：輸出每個回歸系數(shù)的95%的置信度估計區(qū)間。協(xié)方差矩陣：輸出解釋變量的相關系數(shù)矩陣與協(xié)差陣。模型擬合度：輸出可決系數(shù)、調(diào)整的可決系數(shù)、回歸方程的標準誤差、 回歸方程F檢驗的方差分析。步驟3:單擊繪制按鈕，在Plots子對話框中的標準化殘差圖選項欄中選中正 態(tài)概率圖復選框，以便對殘差的正態(tài)性進行分析。圖5.7 plots 子對話框步驟4：單擊保存按鈕，在Save子對話框中殘

11、差選項欄中選中未標準化復選框， 這樣可以在數(shù)據(jù)文件中生成一個變量名尾res_1的殘差變量，以便對殘差進行進 一步分析。圖5.8 Save子對話框其余保持Spss默認選項。在主對話框中單擊ok按鈕，執(zhí)行線性回歸命令，其 結(jié)果如下：表5.3給出了回歸模型的擬與優(yōu)度(RSquare)、調(diào)整的擬與優(yōu)度(Adjusted R Square)、估計標準差(Std. Error of the Estimate )以及 Durbin Watson 統(tǒng)計量。從結(jié)果來看，回歸的可決系數(shù)與調(diào)整的可決系數(shù)分別為0.934與0.93 ,即住房支出的90%以上的變動都可以被該模型所解釋，擬與優(yōu)度較高。表5.4給出了回歸模

12、型的方差分析表，可以看到，F(xiàn)統(tǒng)計量為252.722，對應的 p值為0,所以，拒絕模型整體不顯著的原假設，即該模型的整體是顯著的。表5.5給出了回歸系數(shù)、回歸系數(shù)的標準差、標準化的回歸系數(shù)值以及各個回 歸系數(shù)的顯著性t檢驗。從表中可以看到無論是常數(shù)項還是解釋變量x，其t統(tǒng)計量對應的p值都小于顯著性水平0.05，因此，在0.05的顯著性水平下都通過了 t 檢驗。變量x的回歸系數(shù)為0.237,即年收入每增加1千美元，住房支出就增加0.237 千美元。表5.3回歸模型擬與優(yōu)度評價及 Durbin Watson檢驗結(jié)果Model Summary(b)ModelRR SquareAdjusted RSqu

13、areStd. Error of the Estimate1.966(a).934.930.37302a Predictors: (Constant),年收入(千美元) b Dependent Variable:住房支出(千美元)表5.4方差分析表ANOVA(b)ModelSum ofSquaresdfMean SquareFSig.1Regression35.165135.165252.722.000(a)Residual2.50518.139Total37.67019a Predictors: (Constant), 年收入(千美元)b Dependent Variable: 住房支出(千

14、美元)表5.5回歸系數(shù)估計及其顯著性檢驗Coefficients(a)ModelUnstandardizedCoefficientsStandardizedCoefficientsBetatSig.BStd. Error1(Constant).890.2044.356.000年收入(千美元).237.015.96615.897.000a Dependent Variable:住房支出(千美元)為了判斷隨機擾動項是否服從正態(tài)分布，觀察圖5.9所示的標準化殘差的P P圖，可以發(fā)現(xiàn)，各觀測的散點根本上都分布在對角線上， 據(jù)此可以初步判斷殘差 服從正態(tài)分布為了判斷隨機擾動項是否存在異方差，根據(jù)被解釋變

15、量 y與解釋變量x的散點 圖，如圖5.4所示，從圖中可以看到，隨著解釋變量x的增大，被解釋變量的波動 幅度明顯增大，說明隨機擾動項可能存在比擬嚴重的異方差問題， 應該利用加權(quán) 最小二乘法等方法對模型進行修正。Normal P-P Plot of Regressi on Stan dardized ResidualDependent Variable:住房支出 千美元1.0 -0.8 -uc deLceDKC0.6 -0.40.20.0 -0.00.20.40.60.81.0Observed Cum Prob圖5.9標準化殘差的P-P圖四、備擇試驗現(xiàn)有19872003年湖南省全社會固定資產(chǎn)投資總額 NINV與GD兩個指標的年 度數(shù)據(jù)，見下表。試研究全社會固定資產(chǎn)投資總額與 GD的數(shù)量關系，并建立全 社會固定資產(chǎn)投資總額與GD之間的線性回歸方程。湖南省全社會固定資產(chǎn)投資與GD年度數(shù)據(jù)年份GDP億元NINV 億元年份GDP億元NINV億元198