SPSS对主成分回归实验报告要点 - 图文

更新时间:2024-01-31 21:17:01 阅读量: 教育文库 文档下载

说明:文章内容仅供预览,部分内容可能不全。下载后的文档,内容与下面显示的完全一致。下载之前请确认下面内容是否您想要的,是否完整无缺。

《多元统计分析分析》实验报告

2012 年 月 日 学院 实验 名称 经贸学院 姓名 学号 实验成绩 一、实验目的 (一)利用SPSS对主成分回归进行计算机实现. (二)要求熟练软件操作步骤,重点掌握对软件处理结果的解释. 二、实验内容 以教材例题7.2为实验对象,应用软件对例题进行操作练习,以掌握多元统计分析方法的应用 三、实验步骤(以文字列出软件操作过程并附上操作截图) 1、数据文件的输入或建立:(文件名以学号或姓名命名) 将表7.2数据输入spss:点击“文件”下“新建”——“数据”见图1: 图1 点击左下角“变量视图”首先定义变量名称及类型:见图2: 图2: 然后点击“数据视图”进行数据输入(图3):

第 1 页

图3 完成数据输入 2、具体操作分析过程 : (1)首先做因变量Y与自变量X1-X3的普通线性回归: 在变量视图下点击“分析”菜单,选择“回归”-“线性”(图4): 图4 将因变量Y调入“因变量”栏,将x1-x3调入“自变量”栏(图5): 然后选择相关要输出的结果:①点击右上角“统计量(s)”:“回归系数”下选择“估计”;“残差”下选择“D.W”;在右上角选择输出“模型拟合度”、“部分相关和偏相关”“共线性诊断”(后两项是做多重共线性检验)。选完后点击“继续”(见图6)②如果需要对因变量与残差进行图形分析则需要在“绘制”下选择相关项目(图7),一般不需要则继续③如果需要将相关结果如因变量预测值、残差等保存则点击“保存”(图8),选择要保存的项目④如果是逐步回归法或者设置不带常数项的回归模型则点击“选项”(图9) 其他选项按软件默认。最后点击“确定”,运行线性回归,输出相关结果(见表1-3) 第 2 页

图5 图6 图7 第 3 页

图8 图9 回归分析输出结果:

第 4 页

表1 模型汇总 模型 R 1 .996 ab标准 估计的误R 方 .992 调整 R 方 .988 差 .48887 Durbin-Watson 2.740 a. 预测变量: (常量), x3, x2, x1。 b. 因变量: y 表2 Anova 模型 1 回归 残差 总计 平方和 204.776 1.673 206.449 df 3 7 10 均方 68.259 .239 F 285.610 Sig. .000 ab a. 预测变量: (常量), x3, x2, x1。 b. 因变量: y 表3 系数 模型 非标准化系数 B 1 (常量) x1 x2 x3 a. 因变量: y -10.128 -.051 .587 .287 标准 误差 1.212 .070 .095 .102 标准系数 试用版 t -8.355 -.731 6.203 2.807 Sig. .000 .488 .000 .026 零阶 相关性 偏 部分 共线容差 a -.339 .213 1.303 .965 .251 .972 -.266 .920 .728 -.025 .211 .095 .0.9.0由表可知,回归模型拟合优度达到99.2%,方差分析也显示线性回归方程整体显著(F=285.61,Sig.=0.000)但是回归系数估计结果中,x1的系数为-0.051与一般经济理论矛盾且不显著(t检验值-0.731,检验的p值0.488),经多重共线性诊断(x1与x3的VIF值高达180以上)表明自变量存在共线性。运用主成分分析做多重共线性处理: (2)自变量x1-x3的主成分分析: 由于spss没有独立的主成分分析模块,需要在因子分析里完成,因此需要特别注意: 在数据窗口下选择“分析”—“降维”—“因子分析”(见图10); 在弹出的窗口中将x1-x3调入“变量”(见图11); 然后①点击“描述”,选择要输出的统计量(见图12):选中“统计量”下的两个项目(输出变量描述统计和初始分析结果);在“相关矩阵”一般要选择输出“系数”、“显著性水平”、“KMO”(做主成分分析和因子分析的适用性检验,也就是检验变量之间的相关系数是否足够大可以做因子分析)选完后点击“继续”进行下一步;②点击“抽取”(见图13):在“方法”下默认“主成分”;“分析”下,默认“相关性矩阵”(含义是要对变量做标准化处理,然后基于标准化后

第 5 页

的协差阵也就是相关阵进行分解做因子分析或主成分分析),如果不需要对变量做标准化处理就选“协方差矩阵”;“输出”中的两项都选,要求输出没有旋转的因子解(主成分分析必选项)和碎石图(用图形决定提取的主成分或因子的个数);“抽取“下,默认的是基于特征值(大于1表示提取的因子或主成分至少代表1个单位标准差的变量信息,因为标准化后的变量方差为1,因子或者主成分作为提取的综合变量应该至少代表1个变量的信息),也可以自选提取的因子个数(即第二项),本例中做主成分回归,选择提取全部可能的3个主成分,所以自选个数填3。选完后点击 “继续”进行下一步;③点击“旋转”(图14),按默认的“方法”下不旋转(注意,主成分分析不能旋转!)其他不用选,点击“继续”进行下一步;④点击“得分”,计算不旋转的初始因子得分(图15),选中“保存为变量”,“方法”下按默认,其他不修改,点击“继续”进行下一步。⑤“选项”下可以不选按默认(选项里主要针对缺失值和系数显示格式,不影响分析结果) 最后点击“确定”,运行因子分析。 图10 图11

第 6 页

图12 图13 图14 第 7 页

图15 由运行结果计算主成分: 表4、描述统计量 x1 x2 x3 均值 194.5909 3.3000 139.7364 标准差 29.99952 1.64924 20.63440 分析 N 11 11 11 表5、相关矩阵 相关 x1 x2 x3 Sig.(单侧) x1 x2 x3 x1 1.000 .026 .997 x2 .026 1.000 .036 .470 x3 .997 .036 1.000 .000 .459 .470 .000 .459 表6、KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。 Bartlett 的球形度检验 近似卡方 df Sig. .492 42.687 3 .000 表7、解释的总方差 成份 合计 1 2 3 1.999 .998 .003 初始特征值 方差的 % 66.638 33.272 .090 累积 % 66.638 99.910 100.000 合计 1.999 .998 .003 提取平方和载入 方差的 % 66.638 33.272 .090 累积 % 66.638 99.910 100.000 提取方法:主成份分析。

第 8 页

表8、成份矩阵 a 1 x1 x2 x3 .999 .062 .999 成份 2 -.036 .998 -.026 3 .037 .000 -.037 提取方法 :主成份。 a. 已提取了 3 个成份。 由表5、6可知适合做主成分或因子分析(KMO检验通过),表7知前两个主成分(初始因子)贡献率已达99.91%,提取前两个主成分用于分析。由表8(初始因子载荷阵)和表7可计算前两个特征向量,用表8前两列分别除以前两个特征值的平方根得前两个主成分表达式: F1=0.7066X1*+0.0439X2*+0.7066X3*(式1) F2=-0.0360X1*+0.9990X2*-0.0260X3*(式2) 其中X1*-X3*表示为标准化变量(这是因为在进行主成分分析时是以标准化变量进行分析的,是从相关阵出发分析的,见图13的选项)。 由于主成分互不相关,可以用提取的主成分代替自变量进行回归分析,因此需要计算主成分得分来代替自变量X1-X3。主成分的计算:依据式1和2中两个主成分的表达式,对各自变量标准化后带入就可以计算出每个样品的主成分得分。但是在spss中,由因子分析提取时是用主成分法提取的,根据初始因子与主成分的关系,未旋转的初始因子等于主成分除以特征根的平方根,因此主成分得分等于因子得分乘以特征根的平方根,因此可以由因子得分计算主成分得分。前面在因子分析选项中保存了因子得分(见图15),因此计算两个主成分得分:点击“转换”—“计算变量”(图16):在弹出的窗口分别定义主成分F1=第一因子得分*第一特征根的平方根(图17)和F2=第二因子得分*第二特征根的平方根。 (3)主成分回归过程: 要做主成分回归,需要用标准化的因变量(因为自变量经过标准化处理做主成分分析,因变量需要对应做标准化)与主成分做回归,对因变量Y做标准化处理,点击“分析”—“描述统计”—“描述”(见图18),在弹出窗口中将Y调入变量,并选中“将标准化得分另存为变量”(图19)后确定完成Y的标准化。 点击“分析”---“回归”---“线性”(图20)在弹出窗口(图21)中将Zscore(y)调入因变量,F1和F2调入自变量,其他选项同前面图6-9,然后点击“确定”运行主成分回归,相关输出结果见表9 第 9 页

图16 图17

第 10 页

本文来源:https://www.bwwdw.com/article/t0hw.html

Top