实验10-SPSS-自动线性建模

Posted xuxaut-558

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了实验10-SPSS-自动线性建模相关的知识,希望对你有一定的参考价值。

  •  SPSS自动线性建模

  • 自动线性建模,是在最经常使用的一般线性模型基础上加以改进,让用户输入最少的参数而自动建立线性模型的一个功能。

  • 刚好市场部提供了一个广告效果预测需求,现在市场部已制定了6月1日至7日广告投放计划,希望通过建立线性
  • 回归模型,预测6月1日至7日的购买用户数有多少。我们手中已有1~5月的广告投放效果数据,主要字段有
  • “广告费用”、“广告投放渠道数”、“购买用户数”,就以此需求为例,在SPSS中进行自动线性回归分析。
  • 1.1-实验步骤:
  • (1)SPSS中【分析】-【回归】-【自动线性建模】
  • (2)将“购买用户数”变量,从【预测变量(输入)】框移至【目标】框中,将“日期”变量,从【预测变量(输入)】
  • 框移至【字段】框中。
  • (3)单击【模型选项】卡,勾选【将预测值保存到数据集】复选框。
  • 技术分享图片
                                    图1-1 自动线性建模参数设置
  • 1.2 模型结果解读
  • 现在看看输出结果,和其他SPSS输出结果不同,自动线性回归的结果是以可视化报表方式呈现的。
  • 2.1 模型摘要 

  • 技术分享图片

                                       图 2-1 模型摘要

  • 第一张图为模型摘要,图中用进度条图来展现模型拟合的效果。它类似于普通线性回归中的R^2(决定系数),
  • 一般模型准确度大于70%就算拟合不错,60%以下就需要修正模型,可以通过增加或删除一些自变量后再次
  • 建模进行修正,这个模型准确度达到了94.8%,效果不错。

  • 2.2自动准备数据
  • 技术分享图片

  •                                      图 2-2
  • 第二张图是建模的自动准备数据过程信息,比如各个变量的角色,对其进入模型之前都做了哪些处理操作,
  • 常见的预处理就是离群值、缺失值等处理,只有勾选【自动准备数据】复选框,SPSS就会自动进行处理。

  • 2.3 预测变量重要性图

  • 技术分享图片
                                        图2-3 预测变量重要性图
  • 第三张图为预测变量重要性图,如图6-7所示,用条形图的方式给出了模型中每个自变量的重要性,按对
  • 因变量影响强度的大小降序排列,重要性是相对值,因此显示的所有自变量的重要性总和为1,其中自变量
  • 的重要性与模型精度无关。

  • 从图中可以看出,“广告费用”变量的重要性最大,而“广告投放渠道数”变量的重要性最小。

  • 2.4 预测-实测散点图技术分享图片
  •                             图2-4 预测-实测散点图
  • 第四张图为预测-实测散点图,也就是预测值和实际因变量值绘制的散点图,横轴为实际因变量值,
  • 纵轴为预测值。它用于考察预测效果,如果效果好,数据点应该是在一条45°线上分布,如图,预测值与实际因变量值较为接近,预测效果好。

  • 2.5 残差图
  • 技术分享图片
                                   图2-5 残差图

  • 残差是指实际值与预测值之间的差,残差图用于回归诊断,也就是用来判断当前模型是否满足回归模型的假设:
  • 回归 模型在理想条件下的残差图是 服从正态分布的,也就是说,图中的残差直方图和正态分布曲线是一致的。
  • 如图,残差直方图和正态分布曲线一致,可以得出残差图是接近正态分布的结论,满足回归模型的是假设。

  • 2.6 离群值
  • 技术分享图片                                图 2-6 离群值
  • 第六张图是强影响点(离群值)的诊断,SPSS会计算出库克距离,采用表格的方式输出了强影响点个案ID、因变量及
  • 相应的库克距离,库克距离越大的个案对回归拟合影响的程度越大,此类个案可能会导致模型准确度下降。

  • 2.7 回归效果图
  • 技术分享图片

    技术分享图片
                              图 2-7 回归效果图
  • 第七张图为回归效果图,用于展现及比较各个自变量对因变量的重要性。每个显著的连续变量均会作为一个模型项,
  • 并对应一条线条,如果有显著的分类变量纳入模型 ,那么模型将分类变量的每一种显著的类别分别作为一个模型项,
  • 并分别对应一条线条。
  • 线条上下顺序是按照自变量的重要性大小降序排列的,由此可以判断各个自变量的重要性。
  • 线条粗细则表示显著性是水平,显著性水平越高其线条越粗。
  • 可以看出,“广告费用”这个自变量对购买用户数的影响最大,重要性为0.97。

  • 2.8 回归系数图
  • 技术分享图片
                                   图2-8 回归系数图
  • 技术分享图片
                                        图2-8 回归系数表
  • 回归系数图,是这个模型中最重要的一张图,是回归效果图的细化,增加了截距、回归系数等信息,用颜色区分
  • 回归系数的正负,蓝色代表正数,橙色代表负数。同样,线条顺序是按照重要性大小降序排列的,线条粗细表示
  • 回归系数的显著性水平。
  • 通过 回归系数表,我们可以清晰地看到 模型的自变量及对应的回归系数、显著性检验结果、重要性,
  • 每个自变量的显著性水平都小于0.01,说明每个自变量的回归系数具有极其显著的统计学意义。

  • 2.9 均值线图
  • 技术分享图片
                              图 2-9 均值线图
  • 第九张图是因变量与各个自变量绘制的均值,用直观地图形方式帮助我们研究因变量与各个自变量之间的关系。
  • 不显著的自变量不会生成对应的均值线图。如图,“广告费用 ”与“购买用户数”之间存在着明显的线性关系。

  • 2.10 模型构建摘要
  • 技术分享图片
                             图2-10 模型构建摘要表
  • 第十张图为模型构建摘要表,用于输出模型构建过程信息,可以看到模型的信息准则值(AICc)是从左到右依次递减,
  • 数值越小,表示模型效果好,也就是说,随着自变量逐渐被选择进入模型,使得模型拟合效果越来越好。

  • 3. 模型预测
  • 技术分享图片

                            图3-1 数据预测值输出结果
  • 在参数设置中,我们勾选了【将预测值保存到数据集】,SPSS已经在数据集中最后一列增加了一个新变量:预测值。
  • 如图3-1,数据集中最后一列就是预测值,这样就可以根据6月1日至7日广告投放计划,预测得到6月1日至7日
  • 的购买用户数。














































以上是关于实验10-SPSS-自动线性建模的主要内容,如果未能解决你的问题,请参考以下文章

用线性二次模型建模大型数据中心,基于 MPC 进行冷却控制

非线性建模-神经网络

Python之建模规划篇--非线性规划

数学建模线性代数知识汇总,参加建模大赛的小伙伴看过来,它会是你的最优选

线性代数辅助程序

Python小白的数学建模课-03.线性规划