正文內容

spss實驗報告-線性回歸-曲線估計(編輯修改稿)

2026-06-09 22:11 本頁面

　

【文章內容簡介】以對不同的自變量采用不同的方法進行回歸。“方法”下拉框中有5個選項，此處先選擇“進入”，即所選變量全部強行進入回歸模型。(2) 點擊“統計量”按鈕，選擇輸出各種常用判別統計量，本案例選擇“估計”、 “模型擬合度”、“描述性”、“共線性診斷”，以及殘差中的“DurbinWatson”檢驗和“個案診斷”。得到如下結果：由模型匯總表，，擬合優度很強。統計量DW=，該檢驗用于判斷相鄰殘差序列的相關性，其判斷標準如下：DWdL，認為殘差序列存在正的一階自相關；duDW4dU，認為殘差序列間不存在一階自相關；DW4dL，認為殘差序列間存在負的一階自相關；dLDWdU或4dUDW4dL時，無法確定殘差序列是否存在自相關。本例中，k=4，n=21（k為解釋變量的數目，包括常數項，n是觀察值的數目）時，5%的上下界：dL=，dU=。有，認為殘差序列存在一階自相關。由方差分析表，統計量F=，認為方程在95%的置信水平下是顯著的。但是，變量lnK、lnL、所以這幾個變量對方程的影響都很顯著，說明該變量對方程影響不顯著，回歸模型是無效的。4. 消除模型中變量的共線性（逐步回歸）“共線性統計量”中，容忍度Tolerance越接近于0，表示復共線性越強，越接近于1，復共線性越弱。而方差膨脹因子VIF的值越接近于1，解釋變量間的多重共線性越弱，如果VIF的值大于或等于10，說明一個解釋變量與其他解釋變量之間有嚴重的多重共線性。本例中，變量lnK和lnE的VIF值都大于10，說明它們與其他解釋變量之間有嚴重的多重共線性，不符合經典假設，需要修正。通過以上結果分析，采用逐步回歸的方法來消除變量之間的多重共線性。重復以上步驟從新建立回歸方程，將【進入】替換為【逐步】如下圖所示：得到如下結果：從上表可以看出通過逐步回歸剔除掉了變量lnE,整個模

點擊復制文檔內容

教學教案相關推薦

spss實驗報告-線性回歸-曲線估計(編輯修改稿)

spss實驗報告,[精選五篇]-資料下載頁

spss多元線性回歸分析研究實例操作步驟-資料下載頁

元線性回歸模型及參數估計-資料下載頁

多元線性回歸模型及參數估計-資料下載頁

多元線性回歸模型的參數估計-資料下載頁

非線性混沌電路實驗報告-資料下載頁

曲線擬合實驗報告-資料下載頁

spss的相關分析和線性回歸分析(2)-資料下載頁

spss在非線性回歸分精講-資料下載頁

多元線性回歸模型實驗報告計量經濟學全文5篇-資料下載頁

2022年spss相關分析實驗報告-資料下載頁

元線性回歸的最小二乘估計-資料下載頁

用matlab進行區間估計與線性回歸分析-資料下載頁

多元線性回歸模型的參數估計(2)-資料下載頁

spss數據分析教程-8-線性回歸分析-資料下載頁

spss實驗報告-線性回歸-曲線估計-閱讀頁

spss實驗報告-線性回歸-曲線估計(文件)

spss實驗報告-線性回歸-曲線估計-全文預覽

spss實驗報告-線性回歸-曲線估計-預覽頁

spss實驗報告-線性回歸-曲線估計-免費閱讀