1, one dollar return
A linear regression analysis, multiple linear regression analysis [A] linear regression analysis
have a variable value, if you want to use it to obtain the predicted value of another variable
from variables or predictor variables, the dependent variable or a standard variable
1 Objective: According to an variable values obtained from the predicted value of the dependent variable
2 required data: the dependent variable (continuous variable) + independent variable (continuous variables, dichotomous)
3 assumptions:. . a separate observations b obey the normal two variables. distribution: the overall value of each variable must be normally distributed, but also for any value of a variable, the value of the other variables should also be subject to the normal distribution c homogeneity of variance: because of population variance variable variance argument same
four equations:. the y = a + bX the y represent predicted values for the variable (not a true value), the intercept of y-axis of a representation, b represents the slope of the regression equation, X is taken from the variable value of
5 . hypothesis testing: the null hypothesis is true (b next = 0), the result of the examination is not possible if (p-value ≤ 0.05), the null hypothesis is rejected, i.e., the regression coefficient is not equal to 0;
if the result of the examination Possible (p value greater than 0.05), the null hypothesis is accepted, i.e. the regression coefficient is zero
Exercise:
This is a supermarket for three consecutive years of sales data, including month, quarter, advertising costs, traffic, sales of five variables,
a total of 36 records, here to predict sales based on advertising costs, advertising costs when 200,000 when sales of approximately how much.
Data: supermarket sales data .sav.
6 specific steps:
A data import.
B Data Analysis: Analysis - Regression - linear regression
. Explained output C:
Descriptive Statistics: Common statistics given
correlation: The correlation coefficient of the two variables, the current correlation coefficient is of 0. the 816-tailed = 2 * one-tailed p value <0.05
null hypothesis: H0 of: [rho] = 0 (no correlation)
alternative hypothesis: H1: ρ ≠ 0 (related)
Conclusion: coefficient linear regression is significant
Input / variable removed: the independent variables used for prediction (predictors)
模型摘要：R（复相关系数）（pearson相关系数） 0~1、R^2、调整后的R^2----因变量能被自变量预测的程度
标准估计的误差-------因变量不能被自变量预测的程度
R^2用100%相乘得到的结果表示因变量的总方差中能被自变量所解释的比重
eg. 广告费用解释了销售额66.6%的方差
eg. 用广告费用来预测销售额时，回归方程的平均预测误差就是46.9953
ANOVA：自变量是否为因变量的显著预测变量
p值<0.05, 拒绝原假设，广告费用是销售额的显著预测变量
系数：构建回归方程+用于检验假设
Y=a+bX=377+14.475X
预测：Y=377+14.475*20=666.50（分析--回归--线性--保存--未标准化）
真实值和预测值之间存在差异（R值越大，预测值与真实值越接近）
广告费用：p值<0.05, 拒绝原假设，广告费用是销售额的显著预测变量
标准化系数：当自变量和因变量都标准化得到的回归系数（在 一元线性回归当中，beta的值等同于皮尔逊相关系数值）
Y=108.90-0.358*X
案例文件
CCSS_Sample.sav，建立用年龄S3来预测总信心指数值的回归方程。
多元线性回归分析
已知两个或多个不同的变量取值，用这些变量来预测另一个变量的值
因变量（标准变量）、自变量（预测变量）
1. 目的：用两个或多个不同的变量取值得到因变量的预测值
2. 所需的数据：
因变量：连续变量+自变量：连续变量、二分变量
3. 假设条件：
a. 观测值独立
b. 总体中变量服从多元正态分布：总体中每个变量的取值服从正态分布，而且每个变量与其他变量的任意组合也服从正态分布（多元正态分布）
c. 方差齐性：自变量之间的任意组合所形成的总体中因变量的方差都是相同的
4. 多元回归方程：
Y=β0+β1 X1+β2 X2+…+βnXn
Y表示因变量的预测值（不是真实值），β0表示的y轴的截距，βn表示回归方程的第n个系数，Xn表示第n个自变量的取值
5. 原假设和备择假设： n个假设检验--检验回归系数（β） 原假设：H0: “回归系数β1等于0”，即�β1=0 H0: “回归系数β2等于0”，即β2=0 H0: “回归系数β3等于0”，即�β3=0 备择假设：H1：“回归系数β1不等于0”，即β1�≠0 H1：“回归系数β2不等于0”，即β�2≠0 H0: “回归系数β3不等于0”，即β3≠0 对回归方程正体进行检验，R^2解释因变量的方差 原假设：H0: R^2=0 备择假设：H1: R^2>0 6. 假设检验判断： 在原假设为真的情况下，如果检验的结果不可能（p值小于等于0.05），则拒绝原假设； 如果检验的结果有可能（p值大于0.05），则接受原假设 7. 具体步骤：
7. 具体步骤： a. 导入数据 b. 分析数据 c. 解释结果：--【进入法】 描述统计：统计量 相关性：相关性越高，预测效果越好
输入/除去的变量：R--多重相关系数（表示因变量原始数据和回归预测值之间的相关系数的绝对值） eg. 输入的所有自变量解释了固定垃圾排放量（因变量）84.9%的方差 ANOVA: ---检验回归的显著性--检验整个方程 p值小于0.05，拒绝原假设，接受备择假设，回归方程可以用显著预测出固定垃圾排放量
系数：构建回归方程+检验自变量系数 alpha=0.05, p值≤0.05，拒绝原假设，该自变量可以预测因变量 去掉所有不能够预测的自变量，重新构建回归方程
解释回归系数： 如果回归系数是负值，自变量每增加一个单位，因变量减少对应的系数个单位； 如果回归系数是正值，自变量每增加一个单位，因变量增加对应的系数个单位； 【逐步法】 自动进行模型的筛选，得到最优模型（R^2最大的模型） 【自动线性建模】 通过信息准则（AICC）建模
11111