《SPSS-23.0统计分析—在心理学与教育学中的应用-9第九章-回归分析.ppt》由会员分享，可在线阅读，更多相关《SPSS-23.0统计分析—在心理学与教育学中的应用-9第九章-回归分析.ppt（83页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、全书目录全书目录第一章第一章 SPSS 23.0SPSS 23.0简介与基本操作简介与基本操作第二章第二章 数据编辑与整理数据编辑与整理 第三章第三章 数据转换数据转换第四章第四章 描述统计分析描述统计分析第五章第五章 交叉表分析交叉表分析第六章第六章 比较平均值比较平均值第七章第七章 方差分析方差分析第八章第八章 相关分析相关分析第九章第九章 回归分析回归分析 第十章 信度和效度分析 第十一章 非参数检验第十二章 多选变量分析 第十三章 SPSS应用案例问卷调查分析 第十四章 SPSS应用案例测验质量分析 第十五章 探索性因子分析及案例应用 第十六章 基本统计图表的制作第十七章 SPSS应用
2、分析归纳小结 回归是统计分析方法中最常用的方法之一。如果所研究的现象有若干个影响因素，且这些因素对现象的综合影响是线性的，则可以使用回归的方法建立现象 （因变量）与影响因素（自变量）之间的线性函数关系式，从而根据变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度。 这里仅介绍SPSS软件进行线性回归分析的常用类型，包括一元线性回归、多元线性回归，以及虚拟自变量回归分析。第九章第九章 回归分析回归分析 9.1 一元线性回归分析 9.2 多元线性回归分析 9.3 虚拟自变量回归 9.4 回归分析的报告参考样例 第九章第九章 回归分析回归分析 9.1 9.1 一元线性回归分析
3、一元线性回归分析案例：【例9- 1】一个人的智力水平与其个人成就动机的关系，某研究者调查了94名大学生，进行智力测验和成就动机测验，获得数据文件为“智商与成就动机.sav”，试分析个人成就动机测验分数对智力测验的回归方程。分析：此例属于一元线性回归，一般先做两个变量之间的散点图进行简单地观测。若散点图的趋势大概呈线性关系，可以建立线性方程；若不呈线性分布，可建立其它方程模型，并比较R2 来确定选择其中一种最佳方程式。一元线性回归方程的原假设 为：所建立的回归方程无效，回归方程中来自总体自变量的系数为0。备择假设 为：所建立的回归方程有效，回归方程中来自总体自变量的系数不为0。第第1 1步：步：
4、打开分析数据。打开“智商与成就动机.sav”文件。第第2 2步：步：散点图分析。一般先做散点图，点击菜单【图形】【旧对话框 】【散点图/点图】，弹出对话框。 选择【简单散点图】，再点击【定义】。在弹出散点图的主对话框。 将自变量“智商分数”选到“X轴”框内，因变量“成就动机分数”选到“Y轴”框内，点击【确定】按钮，得到下图。如图所示，自变量“智商分数”与因变量“成就动机分数”基本呈线性关系，因此可以进行线性回归。 如果自变量与因变量的散点图不是呈线性关系，而是反函数、二次函数，或者logistic函数等曲线关系，则使用曲线回归【分析】【回归】【曲线估算】。第第3 3步：步：启动分析过程。点击【
5、分析】【回归】【线性】菜单命令，打开如图所示的对话框。 第第4 4步：步：设置分析变量。设置因变量：在左边变量列表中选“成就动机分数”，选入到“因变量”框中。设置自变量：在左边变量列表中选“智商分数”变量，选入“自变量”框中。如果是多元线性回归，则可以选择多个自变量。从“方法”框内下拉式菜单中选择回归分析方法，有输入(Enter)、步进(Stepwise)、除去(Remove)、后退(Backward)、前进(Forward)五种。本例中选择输入(Enter)。 第第5 5步：步：设置分析参数。单击【统计】按钮，打开“线性回归：统计”对话框，可以选择输出的统计量，如图所示。在“回归系数”栏，有
6、“ 估算值”、“ 置信区间”、“ 协方差矩阵”；本例中选择“ 估算值”。在对话框的右边，有五个复选框：（1）“ 模型拟合”：Model fit是系统默认项，输出复相关系数R、R2及R2修正值，估计值的标准误，方差分析表。（2）“ R方变化量”：增加进入或剔除一个自变量时，R2的变化。（3）“ 描述”：基本统计描述。（4）“ 部分相关性和偏相关性”:相关系数及偏相关系数。（5）“ 共线性诊断”：共线性诊断。主要对于多元回归模型，分析各自变量的之间的共线性的统计量：包括容忍度和方差膨胀因子、特征值，条件指标等。本例中仅有一个变量，选择“ “ 模型拟合模型拟合”、“ “ R R方变化量方变化量”、“
7、 “ 描述描述”。在“残差”栏，有两个选项：“ 德宾-沃森”；“ 个案诊断”。个案诊断，即奇异值诊断，有两个选项：“离群值标准差”:奇异值判据，默认项标准差3。“所有个案”：输出所有观测量的残差值。在本例中不选择。 第第6 6步：步：设置保存选项。单击【保存】按钮，打开“线性回归：保存”对话框。选择需要保存的数据种类作为新变量存在数据编辑窗口。本例中，在“预测值”框选择“ 未标准化”。在“预测区间”框选择“ 平均值”；置信区间默认保持为“95%”。第第7 7步：步：设置选项参数。单击【选项】按钮，打开“线性回归：选项”对话框：在“步进法标准”中选择模型拟合判断准则：“ 使用F的概率”，默认为“
8、进入 0.05，删除 0.10”；“使用F值”，默认为“进入3.84，删除2.71”。按系统默认的方式选择。第8步：在主对话框中点击【确定】按钮，提交执行。第9步：结果分析。第一个表：描述统计（略） 第二个表：相关性（略） 第三个表：变量已输入/已移除（略） 第四个表：模型摘要 第五个表：ANOVA（方差分析表）第六个表：回归系数第七个表：残差统计数据回到SPSS数据窗口，可以看到在数据窗口中多了四列新变量为“PRE_1”、“RES_1”、“ LMCI_1”、“UMCI_1”，这四列新变量就是回归方程的预测体现。“PRE_1”为根据回归方程并基于自变量“智商分数”的预测值，“成就动机分数”与“
9、PRE_1”预测值之残差值“RES_1”。“ LMCI_1”为预测值的最小值，“UMCI_1”为预测值的最大值。假如在本例中根据实际应用需要，假设定义残差值“RES_1”的绝对值小于一个标准差10.799时为预测成功，否则为预测失败，那么本例中的94个个案中有5个个案的“RES_1”大于一个标准差10.799，预测成功率为94.7%。9.1 一元线性回归分析 9.2 多元线性回归分析 9.3 虚拟自变量回归 9.4 回归分析的报告参考样例 第九章第九章 回归分析回归分析 9.2 9.2 多元线性回归分析多元线性回归分析在心理与教育测量中，影响一个的行为特征或心理特质往往有多方面因素，根据这些因
10、素对因变量作出预测分析，就是多元回归分析。案例：案例：【例9-2】某研究者调查工作满意度的影响因素，调查获取某一行业内的多名员工的自我效能感、服从领导满意度、绩效评价得分、工作经验得分、同事人际敏感程度、工作技能水平、个人信心指数、劳动强度，以及因变量：工作满意度，获得数据文件为“员工心理变量与工作满意度的关系.sav”，试分析影响或预测工作满意度的回归方程。第第1 1步：步：打开分析数据。打开“员工心理变量与工作满意度的关系.sav”文件。第第2 2步：步：启动分析过程。点击【分析】【回归】【线性】菜单命令。第第3 3步：步：设置分析变量。设置因变量：在左边变量列表中选“工作满意度”，选入到
11、“因变量”框中。设置自变量：在左边变量列表中选“自我效能感”、“服从领导满意度”、“绩效评价得分”、“工作经验得分”、“同事人际敏感程度”、“工作技能水平”、“个人信心指数”、“劳动强度”变量，选入“自变量”框中。从“方法”框内下拉式菜单中选择选择“输入“方法。 第第4 4步：步：设置分析参数。单击【统计】按钮，打开“线性回归：统计”对话框，可以选择输出的统计量如图所示。在“回归系数”栏，选择“估算值”。在对话框的右边，有五个复选框：（1）“ 模型拟合” 是系统默认项，输出复相关系数R、R2及R2修正值，估计值的标准误，方差分析表。 （2）“ R方变化量”: 增加进入或剔除一个自变量时，R2的
12、变化。（3）“ 描述”: 基本统计描述。（4）“ 部分相关性和偏相关性”:相关系数及偏相关系数。（5）“ 共线性诊断”:共线性诊断。主要对于多元回归模型，分析各自变量的之间的共线性的统计量：包括容忍度和方差膨胀因子、特征值，条件指标等。 “残差”栏，选择“德宾-沃森”。第第5 5步：步：设置图形输出。单击【图】按钮，在标准化残差中，选中复选框 “ 正态概率图”。 第第6 6步：步：设置保存选项。单击【保存】按钮，打开“线性回归：保存”对话框。本例中，在“预测值”框选择“ 未标准化”。在“预测区间”框选择“ 平均值”；置信区间默认保持为“95%”。 第第7 7步：步：设置选项参数。单击【选项】按
13、钮，打开“线性回归：选项”对话框，按照系统默认的选择。 第第8 8步：步：在主对话框中点击【确定】按钮，提交执行。第第9 9步：步：结果分析。第一个表：描述统计（略） 第二个表：相关性（略） 第三个表：变量已输入/已移除（略） 第四个表：模型摘要 第五个表：ANOVA（方差分析表） 分析：回归方程所对应的F值为5.504，对应的显著性为0.000，小于0.05，拒绝原假设。结论：所建立的回归方程有效。第六个表：回归系数分析：自我效能感、服从领导满意度、同事人际敏感、工作技能水平、个人信心指数这几个变量的回归系数所对应的显著性大于0.05，在回归方程中应该考虑删除这五个变量，然后再建立回归方程。
14、自变量的容差在0至1之间，越接近0，说明变量的共线性强；越接近1，说明共线性弱。VIF越大，特别是大于等于10，说明解释变量x与方程中其他解释变量之间有严重的多重共线性；VIF越接近1，表明解释变量x和其他解释变量之间的多重共线性越弱。容差和VIF是互为倒数关系，容忍度越小，膨胀因子越大。这里的八个自变量的容差在0.36至0.76左右；膨胀因子VIF都小于3，相对接近1，这些都说明这些变量之间共线性相对较弱。第七个表：共线性诊断分析：多重共线性（Multicollinearity）是指线性回归模型中的解释变量之间由于存在高度相关关系而使回归模型估计失真或难以估计准确。判断方法1：特征值中前3个
15、或前4个特征值几乎接近0，可以说明可能存在明显的共线性。判断方法2：方差比例内存在接近1的数（0.99），可以说明存在明显的共线性。 在本例中，特征值中前3、4个特征值均大于0，说明不存在明显的共线性；变异数比例的数值都远远小于1，也说明不存在明显的共线性。结合前面的膨胀因子VIF都小于5，小于5说明变量之间不存在明显的共线性。第八个表：残差统计第九个：标准化残差的概率图分析：由此图可知，所有的点都比较靠近对角线，结合前面第八个表中的标准化残差为0.892，小于2，因此可以认为残差是正态的。由于自我效能感、服从领导满意度、同事人际敏感、工作技能水平、个人信心指数这几个变量的回归系数所对应的si
16、g值不显著，在回归分析中需要删除这几个变量，然后再建立回归方程。因此在SPSS中接着再次进行回归分析。第第9 9步：步：重复前面SPSS的操作步骤，从第2步至第6步。在第3步将自我效能感、服从领导满意度、同事人际敏感、工作技能水平、个人信心指数这几个变量从自变量移出，由于SPSS软件中还保存了刚才第4、5、6步的操作内容，此时只需要再点击【确定】按钮，输出分析结果。其中模型摘要、回归方程、回归系数表如下：【知识拓展】在多元回归分析中，“变量选择的目的是回归模型包含尽量多的自变量，以提高预测的精确度，同时又要尽量避免作用不显著的自变量进入方程，以减少计算量和计算误差，降低在建立回归方程后用于监控
17、或预测的成本。”(引用温忠麟的心理与教育统计第九章第三节中多元回归方程的论述)在SPSS中中包括了五种方法：输入、步进、除去、后退、前进。如何选择合适的回归分析方法，温忠麟教授的编著中有较为详细的论述（温忠麟，2016），包括向后剔除法（后退）、向前选择法（前进）、逐步回归法（步进），以及人工选择自变量尝试等探索性回归分析，并认为逐步回归方法逐步回归方法（步进）（步进）是较好的一种选择方法。至于具体的自变量的选择，可以据加入或剔除一个自变量后的R2的变化量，由R2的变化量是否有明显的增大或减小来判断，这在向后剔除法（后退）、向前选择法（前进）、逐步回归法（步进）中用于自变量选择的一个重要参考指
18、标。还可以根据研究实际问题，或源于研究假设、某一理论假设，由研究者自己来选择自变量的顺序，进行层次回归分析。一、向后剔除法（后退）时R2的变化量二、向前选择法（前进）时R2的变化量三、逐步回归法（步进）时R2的变化量 分析：向前选择法（前进）逐步回归法（步进）的回归分析的结果基本一样。在模型摘要的第二个回归模型中，有2个自变量（绩效评价得分, 工作经验得分）进入模型，比“输入”方法输入少了一个自变量，劳动强度， R2的变化量为0.498-0.455-=0.043。也就是说，如果增加劳动强度到回归模型中， R2的变化量增加为0.043。综合以上信息，输入、步进、后退、前进四种回归分析方法的分析，
19、绩效评价得分、工作经验得分是确定需要进入回归方程的，而自我效能感、 劳动强度这两个自变量则需要研究者根据根据研究实际问题（或研究假设、某一理论假设）来确定是否要将劳动强度、自我效能感这两个变量或其中一个变量纳入回归方程。9.1 一元线性回归分析 9.2 多元线性回归分析 9.3 虚拟自变量回归 9.4 回归分析的报告参考样例 第九章第九章 回归分析回归分析 9.3 9.3 虚拟自变量回归虚拟自变量回归9.3.1 9.3.1 虚拟自变量回归的性质虚拟自变量回归的性质在心理与教育测量中，影响被解释因变量变动的因素，除了这些可以直接获得实际观测数据的定量变量外，还包括一些本质上为定性因素（或称属性因
20、素）的影响，例如性别、民族、城乡、职业、季节、文化程度的变动等因素，以及是否拥有计算机、是否是师范生、是否学生干部、是否通过英语四级等等一些二分变量。 为了在模型中反映定性因素，可以将定性因素转化为虚拟变量去表现。虚拟变量（或称为属性变量、类型变量、定性变量、二元型变量等），是人工构造的取值为0和1的作为属性变量代表的变量，一般用字母D（或DUM，英文dummy的缩写）表示。 虚拟变量使研究者可以将那些无法定量化的变量引入回归模型中。虚拟变量应用于模型中，对其回归系数的估计与检验方法和定量变量相同。下面给出几个例子，可以引入虚拟变量。例A：你在研究学历和收入之间的关系，在你的样本中，既有女性又
21、有男性，你打算研究此关系时，考虑性别是否会导致差别。例B：你在研究家庭收入和教育支出的关系，采集的样本中既包括农村家庭，又包括城镇家庭，你打算研究二者的差别。例C：你在研究教育科研投入的决定因素，在你的观测期中，某一年份政府开始实行了一项教育政策。你想检验该教育政策是否对教育科研投入产生影响。上述各例都可以用两种方法来解决:第一种方法是按分类变量进行分类回归分析，然后看各个回归方程参数是否不同。第二种方法是用全部观测值作回归，将定性因素的影响用虚拟变量引入模型。 当只有一个分类变量，且该变量只有两水平时，第一种、第二种方法都可行的；如果有多个分类变量、每个变量又有多个水平，此时使用虚拟自变量回
22、归方法较为方便。虚拟变量的设置规则包括两个方面：第一：“0”和“1”选取原则。虚拟变量取“1”或“0”的原则，应从分析问题的目的出发予以界定。从理论上讲，虚拟变量取“0”值通常代表比较的基础类型；而虚拟变量取“1”值通常代表被比较的类型。“0”代表基期（比较的基础，参照物）；“1”代表报告期（被比较的效应）。例如，比较收入时考察性别的作用。当研究男性收入是否高于女性时，是将女性作为比较的基础（参照物），故有男性为“1”，女性为“0”。第二：属性（状态、水平）因素与设置虚拟变量数量的关系。定性因素的属性既可能为两种状态，也可能为多种状态。例如，性别（男、女两种）、季节（4种状态），地理位置（东、
23、中、西部），年级，职业、职称等。虚拟变量数量的设置规则：（1）若定性因素具有m（m2）个相互排斥属性(或几个水平)，当回归模型有截距项时，只能引入m1个虚拟变量；（2）当回归模型无截距项时，则可引入m个虚拟变量；否则，就会陷入“虚拟变量陷阱”。9.3.2 9.3.2 虚拟自变量回归的案例一虚拟自变量回归的案例一案例：【例9-3】研究大学生英语阅读能力、阅读时是否经常习惯性查阅字典的习惯对英语综合能力的影响，进行了阅读能力测验、英语综合能力测验，以及是否经常习惯性查阅字典的调查问卷，获得数据文件为“英语阅读测验、综合测验的成绩.sav”。试以阅读是否查阅字典的习惯作为虚拟自变量，求学生英语阅读能
24、力、阅读是否查阅字典的习惯对英语综合能力的回归方程。第第1 1步：步：打开分析数据。打开“英语阅读测验、综合测验的成绩.sav”文件。第第2 2步：步：设置虚拟自变量的数据。对作为虚拟自变量的变量“是否经常习惯性查阅英语字典”进行变量设置，将“未习惯查阅英语字典”的情况设置为0，将“习惯查阅英语字典”的情况设置为1。并在数据文件中进行设置。在本例的数据文件中，变量“是否经常习惯性查阅英语字典”的数据已经按照此设置进行编码。第第3 3步：步：启动分析过程。点击【分析】【回归】【线性】菜单命令。第第4 4步：步：设置分析变量。设置因变量：在左边变量列表中选“综合测验成绩”，选入到“因变量”框中。设
25、置自变量：在左边变量列表中选“阅读测验成绩”、“是否经常习惯性查阅英语字典”变量，选入“自变量”框中。从“方法”框内下拉式菜单，本例选择方法：输入（Enter）。第第5 5步：步：在主对话框中点击【确定】按钮，提交执行。SPSS输出结果。 第第6 6步：步：结果分析。第一个表：变量分析说明（略）第二个表分别为：模型摘要 分析分析 ：此表报告了模型的复相关系数：此表报告了模型的复相关系数 为为0.9500.950，样本决，样本决定系数定系数 ，为，为0.9030.903，说明本例中的，说明本例中的 值接近值接近1 1，说回归方程，说回归方程对数据拟合很好。对数据拟合很好。 第三个表分别为：ANO
26、VA（方差分析）分析：回归方程所对应的F值为233.591，对应的显著性为0.000，小于0.05，所建立的回归方程显著。第四个表分别为：回归系数。 分析：由表中第七列的显著性可知，本例的回归模型的截距项常量、自变量“阅读测验成绩”、虚拟变量“是否经常习惯性查阅英语字典”系数的显著性水平都为0.000，小于0.05，说明都这些常量和变量系数都在回归方程中有效。最后回归方程建立为：综合测验成绩-38.918 + 1.245 * 阅读测验成绩 - 6.904 * 是否经常习惯性查阅英语字典。自变量“阅读测验成绩”的系数1.245，这说明阅读测验成绩每提高一分，综合测验成绩就提高1.245；虚拟变量
27、“是否经常习惯性查阅英语字典”的系数-6.904，这说明当大学生的学习习惯属于经常习惯性查阅英语字典时，综合测验成绩就降低-6.904，可见经常习惯性查阅英语字典这种习惯对英语综合成绩反而带来负面影响。9.3.3 9.3.3 虚拟自变量回归的案例二虚拟自变量回归的案例二案例：案例：【例9-4】根据某大学教师的教学科研工作的档案信息“大学教师年均教学科研工作量.sav”，请分析大学教师的年均教学科研工作量是否受到教龄、性别、学历的影响。解析：性别和学历是两个不同的标准。按性别标准教师可以分成男、女两类，应该引入一个虚拟变量；按学历标准大学教师可以分为大学本科学历、硕士学历、博士学历三类，应该引入
28、两个虚拟变量。因此，总计引入三个虚拟变量： 第第1 1步：步：打开分析数据。打开“大学教师年均教学科研工作量.sav”文件。第第2 2步：步：对“性别”变量设置虚拟自变量。在该数据文件的“性别”变量中，1代表女，2代表男，现在需要修改为：将0代表为女，将1代表男。通过重编码的方法进行修改，点击菜单命令【转换】【重新编码为不同变量】，选择“性别”进入右边的框中，并在输出变量框中输入“D2性别”，点击【变化量】按钮，如图所示： 点击【旧值和新值】按钮，弹出对话框：在“旧值”框内，选择第一个单选按钮“值”所对应的输入框中输入“1”，在“新值”框内，输入0，点击【添加】按钮；再在第一个单选按钮“值”所
29、对应的输入框中输入“2”，并在“新值”框内输入1，点击【添加】按钮。完成以上设置后，点击【继续】按钮回到主对话框，再点【确定】按钮。此时在数据窗口，就是产生一列新的变量“D2性别”。第第3 3步：步：对“学历”变量设置虚拟自变量。“学历”变量分为三个水平，1代表本科，2代表硕士，3代表博士，需要引入两个虚拟自变量。第一虚拟自变量设置为：将1代表为硕士，将0代表其他学历信息。然后点击菜单命令【转换】【重新编码为不同变量】，由于前面第2步的设置仍然保留对话框中，此时点击【重置】按钮进行清除。然后再选择“学历”进入右边的框中，并在输出变量框中输入“D3学历”，点击【变化量】按钮，如图所示：点击【旧值
30、和新值】按钮，弹出对话框：在“旧值”框内，选择第一个单选按钮“值”所对应的输入框中输入“2”，在“新值”框内，输入1，点击【添加】按钮；再在左边在“旧值”框内选择“所有其他值”，并在“新值”框内输入0，点击【添加】按钮。如下图所示：完成以上设置后，点击【继续】按钮回到主对话框，再点【确定】按钮。此时在数据窗口，就是产生一列新的变量“D3学历”。 以此类推操作，产生一列新的变量“D4学历”。 第第4 4步：步：启动分析过程。点击【分析】【回归】【线性】菜单命令，打开如图所示的对话框。第第5 5步：步：设置分析变量。设置因变量：在左边变量列表中选“年均教学科研工作量”，选入到“因变量”框中。设置自
31、变量：在左边变量列表中选“教龄”、“D2性别”、“D3学历”、“D4学历”，选入“自变量”框中。从“方法”框内下拉式菜单，本例中选择输入（Enter）。第第6 6步：步：在主对话框中点击【确定】按钮，提交执行。SPSS输出结果。 第第7 7步：步：结果分析。第一个表：变量分析说明（略）第二个表分别为：模型摘要。 分析：此表报告了模型的复相关系数R 为0.896，决定系数 R平方，为0.802，说明本例中的 值比较接近1，说回归方程对数据拟合很好。 第三个表分别为：ANOVA（方差分析）。 分析：回归方程所对应的F值为474.948，对应的显著性为0.000，小于0.05，所建立的回归方程显著。
32、第四个表分别为：回归系数。 分析：由表中第七列的显著性可知，本例的回归模型的截距项常量、自变量教龄，以及虚拟自变量“D2性别”、“D3学历”、“D4学历”的显著性水平都为0.000，小于0.05，说明常量和变量系数都在回归方程中有效。最后回归方程建立为：年均教学科研工作量=1458.156 + 38.580 * 教龄 + 279.117 * D2性别 + 131.288* D3学历+ 275.493* D4学历。 自变量“教龄”的系数38.580，这说明教龄每增加1年，其年均教学科研工作量增加38.580。虚拟变量“D2性别”的系数279.117，这说明当教龄相同时，且教师属于男性时，教学科研
33、工作量增加279.117（相对于女性）；虚拟变量“D3学历”的系数131.288，这说明当当教龄相同时，教师学位为硕士时，教学科研工作量增加131.288（相对于本科学位）；虚拟变量“D4学历”的系数275.493，这说明当教师学位为博士时，教学科研工作量增加275.493（相对于本科学位）。【说明】本例中也可以将0代表男、1代表女，如果其他设置保持不变，请以同样的步骤进行虚拟自变量回归，分析性别变量的不同设置方法，对结果是否有影响？9.1 一元线性回归分析 9.2 多元线性回归分析 9.3 虚拟自变量回归 9.4 回归分析的报告参考样例 第九章第九章 回归分析回归分析 9.4 9.4 回归分
34、析的报告参考样例回归分析的报告参考样例 这里以本书中的多元线性回归分析案例来说明回归分析的报告。以下报告内容仅作参考。回归分析需要写在毕业论文、研究论文的内容包括：（1）在回归方程（以最终确定的回归方程，以下同）中被移除的变量：工作技能水平、工作经验得分、个人信心指数、同事人际敏感、自我效能感。被纳入的变量：工作经验得分、绩效评价得分、劳动强度。根据自变量在实际工作中的意义，劳动强度是影响工作满意度的一个重要方面，因此在最终方程中将劳动强度纳入。（2）回归方程的决定系数R平方。本章【例9-2】最后回归方程模型的R平方为0.498。（3）回归方程的方差分析表。根据论文篇幅要求情况，可以报告方差分
35、析表的全部表格内容，也可以只用用文字简要的报告回归方程的F值，及其显著性P值。 回归方程所对应的F值为11.902，对应的显著性为0.000，小于0.05，拒绝原假设。结论：所建立的回归方程有效。（4）回归方程的系数也就是说，建立的回归方程为：工作满意度= -15.9090.516工作经验得分0.805绩效评价得分1.084劳动强度。工作经验得分、绩效评价得分越高高的员工，其工作满意度越高，而劳动强度越高的员工，其工作满意度越低。（5）共线性诊断。最后纳入回归模型的工作经验得分、绩效评价得分、劳动强度这三个变量的容差在0.869至0.949，VIF都接近1，因此三个变量之间的共线性很弱。共线性
36、诊断可根据论文篇幅要求情况，可以报告共线性诊断的全部表格内容，也可以用文字简要表达。【练习题练习题】1. 某省1980至2003年统计年鉴的统计数据，数据文件“教育科研投入.sav”，将人均国内生产总值对教育科研投入的关系拟合一个回归方程。2 在警觉实验中，为了考察肌肉动作反应速度x1（S），警觉信息的可识别度x2，个人感受性x3 对警觉反应速度y（S）的影响，一共做了55次试验，所得数据表如“警觉反应实验.sav”.试对以上数据进行回归分析：建立线性回归模型；对回归模型进行检验；若回归模型通过检验，试求：当x1=80，x2=35，x3= 200时，警觉反应速度y的点预测与95的区间预测。3
37、某研究者测得30名大学生的学习态度、每周学习时间和学习倦怠指数，资料为“学习倦怠调查分析.sav”。试用多元回归方法确定以学习态度、每周学习时间为自变量，学习倦怠指数为因变量的回归方程。4 某大学的附属医院对56名大学生进行测试，包括肺活量和其他锻炼测试的数据，目的是为了在锻炼测试数据基础上求出拟合回归方程，从而对人体肺活量作适应性预测。试建立多重线性回归方程并进行向后回归分析，数据文件“大学生锻炼测试的数据.sav”：x1为年龄（岁）、x2为体重（kg）、x3为跑2km路程所用的时间（min）、x4为静止时脉搏跳动次数、x5为跑步时脉搏跳动次数、x6为跑步时最大脉搏跳动次数、y为每公斤体重每
38、分钟氧气吸入率（%）。5 某研究机构调查32所中学的初中一年级学生的平均言语测验得分(Y)，与家庭社会经济状况综合指标(x1)、教师言语测验得分(x2)及母亲文化教育水平(x3)，数据文件为“初中学生言语测验得分.sav”。试对初中学生语言测验得分建立回归方程。6 某研究者对高校教师的教学工作与科研工作进行调查分析，资料为“教师教学研究调查.sav”。请：（1）分析教师的教学得分对科研得分的回归关系；（2）考虑教师性别对与教学科研工作量的影响，试按性别分别求教学得分对科研得分的回归模型； （提示：使用菜单【数据】【拆分文件】）。（3）将性别、学历作为虚拟自变量，分析性别、学历、教师的教学得分对
39、科研得分的回归关系。更多的教学交流与PPT课件制作，可联系本书作者： 进入夏天，少不了一个热字当头，电扇空调陆续登场，每逢此时，总会想起那一把蒲扇。蒲扇，是记忆中的农村，夏季经常用的一件物品。记忆中的故乡，每逢进入夏天，集市上最常见的便是蒲扇、凉席，不论男女老少，个个手持一把，忽闪忽闪个不停，嘴里叨叨着“怎么这么热”，于是三五成群，聚在大树下，或站着，或随即坐在石头上，手持那把扇子，边唠嗑边乘凉。孩子们却在周围跑跑跳跳，热得满头大汗，不时听到“强子，别跑了，快来我给你扇扇”。孩子们才不听这一套，跑个没完，直到累气喘吁吁，这才一跑一踮地围过了，这时母亲总是，好似生气的样子，边扇边训，“你看热的，跑什么？”此时这把蒲扇，是那么凉快，那么的温馨幸福，有母亲的味道！蒲扇是中国传统工艺品，在我国已有三千年多年的历史。取材于棕榈树，制作简单，方便携带，且蒲扇的表面光滑，因而，古人常会在上面作画。古有棕扇、葵扇、蒲扇、蕉扇诸名，实即今日的蒲扇，江浙称之为芭蕉扇。六七十年代，人们最常用的就是这种，似圆非圆，轻巧又便宜的蒲扇。蒲扇流传至今，我的记忆中，它跨越了半个世纪，也走过了我们的半个人生的轨迹，携带着特有的念想，一年年，一天天，流向长长的时间隧道，袅