spss：得到一个多元线性回归模型之后，如何比较预测值和真实值？如何判断模型是否有预测能力？

1. spss：得到一个多元线性回归模型之后，如何比较预测值和真实值？如何判断模型是否有预测能力？

1、打开SPSS软件后点击右上角的【打开文件按钮】打开你需要分析的数据文件。

2、接下来就是开始做回归分析建立模型，研究其变化趋势，因为回归分析分为线性回归和非线性回归，分析它们的办法是不同的，所以先要把握它们的变化趋势，可以画散点图，点击【图形】---【旧对话框】---【散点/点状】。

3、选择【简单分布】，并点击【定义】。

4、在接下来的弹出框中设置x轴和y轴，然后点击确定，其他都不要管，然后得到散点图，可以看出x轴和y轴明显呈线性关系，所以接下来的回归分析就要用线性回归方法，假设图像呈曲线就需要选择曲线拟合的方法。

5、点击【分析】---【回归】---【线性】。

6、在弹出的线性回归框中设置自变量和因变量，其他的选项用默认设置即可，其他的选项只是用来更加精确地去优化模型。

7、【模型汇总表】中R表示拟合优度，值越接近1表示模型越好。至此回归分析就完成了图中的这个模型就是比较合理的。

注意事项：
SPSS注意事项：
1，数据编辑器、语法编辑器、输出查看器、脚本编辑器都可以同时打开多个。
2，关闭所有的输出查看器后，并不退出SPSS系统。数据编辑器都退出后将关闭SPSS系统。关闭所有的数据文件时并不一定退出SPSS系统。说明：仅新建一个数据文件，并没有保存，既没有生成数据文件。此时关闭其它所有已保存的数据文件时，不退出SPSS系统。
3，可以在不同的数据编辑器窗口打开同一个数据文件。对话框中提示“恢复为已保存”或“在新窗口中打开”选项。

2. 急求公式，有数据，绘出了曲线，那位大仙帮忙用SPSS给求个公式啊

这种曲线，数学模型为Y=X/[AX+B]
即：X/Y=AX+B
另加一列X/Y
用X列与X/Y列作图，是一次函数。
可以得到AB常数。
这数据中，有一对1.0101对应的58.50249可疑。是否为28.50249？
这样的数学模型反应了其数据所反应的曲线特征。

3. spss：得到一个多元线性回归模型之后，如何比较预测值和真实值？如何判断模型是否有预测能力

1、打开SPSS软件后点击右上角的【打开文件按钮】打开你需要分析的数据文件。

2、接下来就是开始做回归分析建立模型，研究其变化趋势，因为回归分析分为线性回归和非线性回归，分析它们的办法是不同的，所以先要把握它们的变化趋势，可以画散点图，点击【图形】---【旧对话框】---【散点/点状】。

3、选择【简单分布】，并点击【定义】。

4、在接下来的弹出框中设置x轴和y轴，然后点击确定，其他都不要管，然后得到散点图，可以看出x轴和y轴明显呈线性关系，所以接下来的回归分析就要用线性回归方法，假设图像呈曲线就需要选择曲线拟合的方法。

5、点击【分析】---【回归】---【线性】。

6、在弹出的线性回归框中设置自变量和因变量，其他的选项用默认设置即可，其他的选项只是用来更加精确地去优化模型。

7、【模型汇总表】中R表示拟合优度，值越接近1表示模型越好。至此回归分析就完成了图中的这个模型就是比较合理的。

注意事项：
SPSS注意事项：
1，数据编辑器、语法编辑器、输出查看器、脚本编辑器都可以同时打开多个。
2，关闭所有的输出查看器后，并不退出SPSS系统。数据编辑器都退出后将关闭SPSS系统。关闭所有的数据文件时并不一定退出SPSS系统。说明：仅新建一个数据文件，并没有保存，既没有生成数据文件。此时关闭其它所有已保存的数据文件时，不退出SPSS系统。
3，可以在不同的数据编辑器窗口打开同一个数据文件。对话框中提示“恢复为已保存”或“在新窗口中打开”选项。

4. 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。

用户可以先试着画一个散点图，看看是否可以使用其他曲线来获得更好的拟合效果，在很多情况下，对数据进行线性或某些非线性拟合会有显著的效果，但可能不是最好的，所以有必要判断自变量与因变量之间是否呈线性关系。
R方和调整后的R方是对模型拟合效果的描述，调整后的R方更准确，即自变量对因变量的解释率为27.8%，T为各自变量是否有显著影响的检验，具体的显著性仍然取决于随后的P值，如果p值< 0.05，则自变量影响显著。

扩展资料：
注意事项：
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。但由于自变量较多，计算比较麻烦。在实际应用中，一般需要统计软件。这里只介绍了多元线性回归的基本问题。







但由于每个独立变量单位可能不同，如消费水平之间的关系、工资水平、教育水平、职业、地区、家庭负担，等等因素会影响消费水平，而这些影响因素（自变量）单位显然是不同的，所以独立变量系数的大小并不意味着之前的因素重要程度。







简单地说，相同工资收入以元计算的回归系数小于以百元计算的回归系数。然而，工资水平对消费的影响并没有改变。因此，有必要寻找一种方法将自变量积分为统一单位。我们之前学过的标准分数有这个功能。







首先将所有变量包括因变量转化为标准分数，然后进行线性回归。在这种情况下，得到的回归系数可以反映相应自变量的重要性。

5. 如何用spss进行判别分析预测

spss进行判别分析步骤   

1．Discriminant Analysis判别分析主对话框    如图 1-1 所示 



图 1-1    Discriminant Analysis 主对话框

（1）选择分类变量及其范围

在主对话框中左面的矩形框中选择表明已知的观测量所属类别的变量(一定是离散变量)， 
按上面的一个向右的箭头按钮，使该变量名移到右面的Grouping Variable 框中。
此时矩形框下面的Define Range 按钮加亮，按该按钮屏幕显示一个小对话框如图1-2 所示，供指定该分类变量的数值范围。


图 1-2   Define Range 对话框
在Minimum 框中输入该分类变量的最小值在Maximum 框中输入该分类变量的最大值。按Continue 按钮返回主对话框。


(2)指定判别分析的自变量


图 1-3    展开 Selection Variable 对话框的主对话框

在主对话框的左面的变量表中选择表明观测量特征的变量，按下面一个箭头按钮。
把选中的变量移到Independents 矩形框中，作为参与判别分析的变量。

（3） 选择观测量


图 1-4    Set Value 子对话框

如果希望使用一部分观测量进行判别函数的推导而且有一个变量的某个值可以作为这些观测量的标识，
则用Select 功能进行选择，操作方法是单击Select 按钮展开Selection Variable。选择框如图1-3 所示。
并从变量列表框中选择变量移入该框中再单击Selection Variable 选择框右侧的Value按钮，
展开Set Value(子对话框)对话框，如图1-4 所示，键入标识参与分析的观测量所具有的该变量值，
一般均使用数据文件中的所有合法观测量此步骤可以省略。

（4） 选择分析方法


在主对话框中自变量矩形框下面有两个选择项，被选中的方法前面的圆圈中加有黑点。这两个选择项是用于选择判别分析方法的
l      Enter independent together 选项，当认为所有自变量都能对观测量特性提供丰富的信息时，使用该选择项。选择该项将不加选择地使用所有自变量进行判别分析，建立全模型，不需要进一步进行选择。
l      Use stepwise method 选项，当不认为所有自变量都能对观测量特性提供丰富的信息时，使用该选择项。因此需要判别贡献的大小，再进行选择当鼠标单击该项时Method 按钮加亮，可以进一步选择判别分析方法。



2．Method对话框 如图 1-5 所示:　 

图 1-5    Stepwise Method 对话框

单击“Method”按钮展开Stepwise Method对话框。

（1）Method 栏选择进行逐步判别分析的方法

可供选择的判别分析方法有：
l   Wilks'lambda 选项，每步都是Wilk 的概计量最小的进入判别函数
l   Unexplained variance 选项，每步都是使各类不可解释的方差和最小的变量进入判别函数。
l   Mahalanobis’distance 选项，每步都使靠得最近的两类间的Mahalanobis 距离最大的变量进入判别函数
l   Smallest F ratio 选项，每步都使任何两类间的最小的F 值最大的变量进入判刑函数
l   Rao’s V 选项，每步都会使Rao V 统计量产生最大增量的变量进入判别函数。可以对一个要加入到模型中的变量的V 值指定一个最小增量。选择此种方法后，应该在该项下面的V-to-enter 后的矩形框中输入这个增量的指定值。当某变量导致的V值增量大于指定值的变量后进入判别函数。

(2) Criteria 栏选择逐步判别停止的判据

可供选择的判据有:
l    Use F value 选项，使用F值，是系统默认的判据当加人一个变量(或剔除一个变量)后，对在判别函数中的变量进行方差分析。当计算的F值大于指定的Entry 值时，该变量保留在函数中。默认值是Entry为3.84：当该变量使计算的F值小于指定的Removal 值时，该变量从函数中剔除。默认值是Removal为2.71。即当被加入的变量F 值为3.84 时才把该变量加入到模型中，否则变量不能进入模型；或者，当要从模型中移出的变量F值<2.71时,该变量才被移出模型,否则模型中的变量不会被移出.设置这两个值时应该注意Entry值〉Removal 值。
l    Use Probability of F选项，用F检验的概率决定变量是否加入函数或被剔除而不是用F值。加入变量的F值概率的默认值是0.05(5%);移出变量的F 值概率是0.10(10%)。Removal值(移出变量的F值概率) >Entry值(加入变量的F值概率)。

(3) Display栏显示选择的内容

对于逐步选择变量的过程和最后结果的显示可以通过Display 栏中的两项进行选择：
l    Summary of steps 复选项，要求在逐步选择变量过程中的每一步之后显示每个变量的统计量。
l    F for Pairwise distances 复选项，要求显示两两类之间的两两F 值矩阵。



3.Statistics对话框 指定输出的统计量如图1-6 所示：

图 1-6    Statistics 对话框

可以选择的输出统计量分为以下3 类:

(l) 描述统计量
在 Descriptives 栏中选择对原始数据的描述统计量的输出：
l  Means 复选项，可以输出各类中各自变量的均值MEAN、标准差std Dev 和各自变量总样本的均值和标准差。
l  Univariate ANOV 复选项，对各类中同一自变量均值都相等的假设进行检验，输出单变量的方差分析结果。
l  Box’s M 复选项，对各类的协方差矩阵相等的假设进行检验。如果样本足够大，表明差异不显著的p 值表明矩阵差异不明显。

(2) Function coefficients 栏：选择判别函数系数的输出形式
l  Fisherh’s 复选项，可以直接用于对新样本进行判别分类的费雪系数。对每一类给出一组系数。并给出该组中判别分数最大的观测量。
l  Unstandardized 复选项，未经标准化处理的判别系数。

(3) Matrices 栏：选择自变量的系数矩阵
l  Within-groups correlation matrix复选项，即类内相关矩阵，
它是根据在计算相关矩阵之前将各组(类)协方差矩阵平均后计算类内相关矩阵。
l   Within-groups covariance matrix复选项，即计算并显示合并类内协方差矩阵，
是将各组(类)协方差矩阵平均后计算的。区别于总协方差阵。
l   Separate-groups covariance matrices复选项，对每类输出显示一个协方差矩阵。
l   Total covariance matrix复选项，计算并显示总样本的协方差矩阵。



4.Classification 对话框指定分类参数和判别结果 如图1-7 所示

 
图 1-7    Classification 对话框

5.Save对话框,指定生成并保存在数据文件中的新变量。如图1-8 所示:

图 1-8    Save 对话框

6．选择好各选择项之后，点击“OK”按钮，提交运行Discriminant过程。

6. SPSS回归分析 曲线估计

SPSS回归分析：曲线估计
一、概念（分析-回归-曲线估计）
曲线估计过程为11种不同的曲线估计回归模型生成曲线估计回归统计量和相关的图。将对每个因变量生成一个单独的模型。也可以将预测值、残差和预测区间保存为新变量。
二、模型（分析-回归-曲线估计）
您可以选择一个或多个曲线估计回归模型。要确定使用哪种模型，请绘制数据。如果变量显示为线性相关，则使用简单线性回归模型。当变量不是线性相关时，请尝试转换数据。当转换没有帮助时，则可能需要更复杂的模型。查看数据的散点图；如果该图看起来像是您了解的某个数学函数，则将数据与该类型的模型进行拟合。例如，如果数据看起来像指数函数，请使用指数模型。
1、线性.方程为Y = b0 + (b1 * t)的模型。按时间的线性函数建模的序列值。
2、对数.方程为Y = b0 + (b1 * ln(t))的模型。
3、逆模型.方程为Y = b0 + (b1 / t)的模型。
4、二次.方程为Y = b0 + (b1 * t) + (b2 *t**2)的模型。二次模型可用来对“减弱”的序列或阻尼衰减的序列进行建模。
5、三次.由方程Y = b0 + (b1 * t) + (b2 *t**2) + (b3 * t**3)定义的模型。
6、幂.方程式为Y = b0 * (t**b1)或ln(Y) = ln(b0) + (b1 *ln(t))的模型。
7、复合.方程为Y = b0 * (b1**t)或ln(Y) = ln(b0) + (ln(b1) *t)的模型。
8、S.方程式为Y = e**(b0 + (b1/t)) orln(Y) = b0 + (b1/t)的模型。
9、逻辑.方程为Y = 1 / (1/u + (b0 *(b1**t)))或ln(1/y-1/u)=ln (b0) + (ln(b1) * t)的模型，其中u是上界值。选择“逻辑”之后，请指定用在回归方程中使用的上界值。该值必须是一个大于最大因变量值的正数。
10、增长.方程式为Y = e**(b0 + (b1 *t))或ln(Y) = b0 + (b1 *t)的模型。
11、指数.方程为Y = b0 * (e**(b1 * t)) orln(Y) = ln(b0) + (b1 * t)的模型。
三、保存（分析-回归-保存）
1、保存变量。对于每个选定的模型，您可以保存预测值、残差（因变量的观察值减去模型预测值）和预测区间（上限和下限）。新变量名称和描述标签显示在输出窗口中的表中。
2、预测个案。在活动数据集中，如果选择时间而不是变量作为自变量，则可以指定超出时间序列结尾的预测期。您可以选择以下选项之一：◎从估计期到最后一个个案的预测。在估计期内的个案的基础上预测文件中所有个案的值。显示在对话框底端的估计期可通过“数据”菜单上的“选择个案”选项的“范围”子对话框来定义。如果未定义任何估计期，则使用所有个案来预测值。◎预测范围。根据估计期中的个案，预测指定日期、时间或观察号范围内的值。此功能可以用于预测超出时间序列中最后一个个案的值。当前定义的日期变量确定可用于指定预测期结尾的文本框。如果没有已定义的日期变量，则您可以指定结尾的观察（个案）号。

7. 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。

用户可以先试着画一个散点图，看看是否可以使用其他曲线来获得更好的拟合效果，在很多情况下，对数据进行线性或某些非线性拟合会有显著的效果，但可能不是最好的，所以有必要判断自变量与因变量之间是否呈线性关系。
R方和调整后的R方是对模型拟合效果的描述，调整后的R方更准确，即自变量对因变量的解释率为27.8%，T为各自变量是否有显著影响的检验，具体的显著性仍然取决于随后的P值，如果p值< 0.05，则自变量影响显著。

扩展资料：
注意事项：
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。但由于自变量较多，计算比较麻烦。在实际应用中，一般需要统计软件。这里只介绍了多元线性回归的基本问题。







但由于每个独立变量单位可能不同，如消费水平之间的关系、工资水平、教育水平、职业、地区、家庭负担，等等因素会影响消费水平，而这些影响因素（自变量）单位显然是不同的，所以独立变量系数的大小并不意味着之前的因素重要程度。







简单地说，相同工资收入以元计算的回归系数小于以百元计算的回归系数。然而，工资水平对消费的影响并没有改变。因此，有必要寻找一种方法将自变量积分为统一单位。我们之前学过的标准分数有这个功能。







首先将所有变量包括因变量转化为标准分数，然后进行线性回归。在这种情况下，得到的回归系数可以反映相应自变量的重要性。