回归分析中得出一元线性关系,P为0.005,R为86.3%,紧接着的方差分析中P为0.000,请问这两个如何解读?感谢

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了回归分析中得出一元线性关系,P为0.005,R为86.3%,紧接着的方差分析中P为0.000,请问这两个如何解读?感谢相关的知识,希望对你有一定的参考价值。

Minitab中跑出的结论如下,烦请帮忙解读,感谢万分!
Regression Analysis: 单体 versus DP

The regression equation is
单体 = - 66.0 + 0.605 DP

Predictor Coef SE Coef T P
Constant -66.00 23.06 -2.86 0.005
DP 0.60515 0.02433 24.87 0.000

S = 11.0255 R-Sq = 86.3% R-Sq(adj) = 86.2%

Analysis of Variance

Source DF SS MS F P
Regression 1 75215 75215 618.73 0.000
Residual Error 98 11913 122
Total 99 87128

Unusual Observations

Obs DP 单体 Fit SE Fit Residual St Resid
43 920 462.00 490.74 1.28 -28.74 -2.62R
79 990 556.00 533.10 1.52 22.90 2.10R
99 1050 547.00 569.41 2.74 -22.41 -2.10RX
100 1050 546.00 569.41 2.74 -23.41 -2.19RX

R denotes an observation with a large standardized residual.
X denotes an observation whose X value gives it large influence.

第二张表的Coef代表回归系数:SE Coef 代表回归系数的标准误:T代表单样本T检验的T值,等于回归系数除以归系数的标准误;P代表单样本T检验的P值,若小于0.05表示回归系数明显大于0,也就是对应的自变量对模型有意义;反之则无意义。

R-Sq 也称为决定系数,等于回归方程的方差占总方差的比例,属于拟合优度指标,R-Sq = 86.3%表示DP可以解释单体的86.3%(最理想的情况是能解释100%),这表示模型的拟合度不错(如果样本量不太少的话,由于你的样本量为101,可以认为拟合度比较高); R-Sq(adj) 为校正R-Sq ,用于比较不同模型的拟合度优劣。

方差分析用于检验回归方程是否明显优于随机猜测,这是一个总体检验,这就表示如果有多个自变量存在的话,这是对多个自变量构成的回归方程的一个总体检验。此外,还有对各个自变量回归系数的单样本 t 检验以考察各个自变量的显著性,这个问题上面已经说过了。

最后一张表格列出了异常值的数据点,其中第43和第79号数据点有大的标准化残差值;第99和第100号数据点不但有大的标准化残差值,且明显影响了回归系数的拟合。这表明你需要考虑是否还使用第99和第100号数据点来你和你的回归方程,你也可以考虑对原始数据进行转换(比如对数转换)看看能不能降低第99和第100号数据点对回归方程的影响;至于第43和第79号数据点可以暂不考虑;单体就是你的原始数据,Fit 代表模型拟合值,Residual为残差,等于原始数据减去型拟合值(Fit );St Resid为标准化残差值,也就是将Residual进行Z转换(或Z评分),大于2即表示该残差明显偏大。
参考技术A F检验说明模型有意义

spss 多元线性回归分析 帮忙分析一下下图,F、P、t、p和r方各代表啥??谢谢~

F是对回归模型整体的方差检验,所以对应下面的p就是判断F检验是否显著的标准,你的p说明回归模型显著。

R方和调整的R方是对模型拟合效果的阐述,以调整后的R方更准确一些,也就是自变量对因变量的解释率为27.8%。

t就是对每个自变量是否有显著作用的检验,具体是否显著 仍然看后面的p值,若p值<0.05,说明该自变量的影响显著。

扩展资料

多元线性回归的基本原理和基本计算过程与一元线性回归相同,但由于自变量个数多,计算相当麻烦,一般在实际中应用时都要借助统计软件。这里只介绍多元线性回归的一些基本问题。

但由于各个自变量的单位可能不一样,比如说一个消费水平的关系式中,工资水平、受教育程度、职业、地区、家庭负担等等因素都会影响到消费水平,而这些影响因素(自变量)的单位显然是不同的,因此自变量前系数的大小并不能说明该因素的重要程度。

更简单地来说,同样工资收入,如果用元为单位就比用百元为单位所得的回归系数要小,但是工资水平对消费的影响程度并没有变,所以得想办法将各个自变量化到统一的单位上来。前面学到的标准分就有这个功能。

具体到这里来说,就是将所有变量包括因变量都先转化为标准分,再进行线性回归,此时得到的回归系数就能反映对应自变量的重要程度。这时的回归方程称为标准回归方程,回归系数称为标准回归系数。

SPSS for Windows是一个组合式软件包,它集数据整理、分析功能于一身。用户可以根据实际需要和计算机的功能选择模块,以降低对系统硬盘容量的要求,有利于该软件的推广应用。SPSS的基本功能包括数据管理、统计分析、图表分析、输出管理等等。

SPSS统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类,每类中又分好几个统计过程。

比如回归分析中又分线性回归分析、曲线估计、Logistic回归、Probit回归、加权估计、两阶段最小二乘法、非线性回归等多个统计过程,而且每个过程中又允许用户选择不同的方法及参数。SPSS也有专门的绘图系统,可以根据数据绘制各种图形。

参考资料:多元线性回归_百度百科

参考技术A 先从最下面两行说起
F是对回归模型整体的方差检验,所以对应下面的p就是判断F检验是否显著的标准,你的p说明回归模型显著。
R方和调整的R方是对模型拟合效果的阐述,以调整后的R方更准确一些,也就是自变量对因变量的解释率为27.8%。

t就是对每个自变量是否有显著作用的检验,具体是否显著 仍然看后面的p值,若p值<0.05,说明该自变量的影响显著追问

F的值具体代表什么?还有ppi对应的t值小于0,说明什么呢??谢谢~

追答

F不是说了么,就是方差分析的值,是对拟合的回归模型整体的方差检验值,它对应的下面的p值如果小于0.05 说明整个回归模型有显著作用,如果它对应的p>0.05 说明拟合的回归模型无效。

t的值是负的 表示 对应的ppi对于因变量的影响是负的,就是ppi变大,因变量就变小,ppi变小 因变量就变大

追问

终于懂了!!!!谢谢你!

本回答被提问者和网友采纳

以上是关于回归分析中得出一元线性关系,P为0.005,R为86.3%,紧接着的方差分析中P为0.000,请问这两个如何解读?感谢的主要内容,如果未能解决你的问题,请参考以下文章

在用SPSS做一个线性回归分析,结果如图,R方很低,但是显著性都还可以。问题是这个模型预测效果很差。

多元线性回归的模型可以是一元模型吗

怎样用SPSS做一元线性回归?具体怎么检验相关性

线性回归

R语言构建多元线性回归模型

什么是线性回归方程?