内容发布更新时间 : 2024/11/17 6:27:35星期一 下面是文章的全部内容请认真阅读。

多元回归分析

在大多数的实际问题中，影响因变量的因素不是一个而是多个，我们称这类回问题为多元回归分析。可以建立因变量y与各自变量xj(j=1,2,3,…,n)之间的多元线性回归模型：

其中：b0是回归常数；bk(k=1,2,3,…,n)是回归参数；e是随机误差。 多元回归在病虫预报中的应用实例:

某地区病虫测报站用相关系数法选取了以下4个预报因子；x1为最多连续10天诱蛾量(头)；x2为4月上、中旬百束小谷草把累计落卵量(块)；x3为4月中旬降水量(毫米)，x4为4月中旬雨日(天)；预报一代粘虫幼虫发生量y（头/m2）。分级别数值列成表2-1。

预报量y：每平方米幼虫0~10头为1级，11~20头为2级，21~40头为3级，40头以上为4级。

预报因子：x1诱蛾量0~300头为l级，301~600头为2级，601~1000头为3级，1000头以上为4级；x2卵量0~150块为1级，15l~300块为2级，301~550块为3级，550块以上为4级；x3降水量0~10.0毫米为1级，10.1~13.2毫米为2级，13.3~17.0毫米为3级，17.0毫米以上为4级；x4雨日0~2天为1级，3~4天为2级，5天为3级，6天或6天以上为4级。

表2-1

年 1960 1961 1962 1963 1965 1966 1967 1976 1971 1972 范文

y 幼虫密蛾量 级别 卵量 级别 降 水量 级别 雨日 级别 级别 度 1022 4 112 1 4.3 1 2 1 10 1 300 1 440 3 0.1 1 1 1 4 1 699 3 67 1 7.5 1 1 1 9 1 1876 4 675 4 17.1 4 7 4 55 4 43 1 80 1 1.9 1 2 1 1 1 422 2 20 1 0 1 0 1 3 1 806 3 510 3 11.8 2 3 2 28 3 115 1 240 2 0.6 1 2 1 7 1 718 3 1460 4 18.4 4 4 2 45 4 803 3 630 4 13.4 3 3 2 26 3 x1 x2 x3 x4 1973 1974 1975 1976 1977 1978 572 264 198 461 769 255 2 1 1 2 3 1 280 330 165 140 640 65 2 3 2 1 4 1 13.2 42.2 71.8 7.5 44.7 0 2 4 4 1 4 1 4 3 5 5 3 0 2 2 3 3 2 1 16 19 23 28 44 11 2 2 3 3 4 2 数据保存在“DATA6-5.SAV”文件中。 1）准备分析数据

在SPSS数据编辑窗口中，创建“年份”、“蛾量”、“卵量”、“降水量”、“雨日”和“幼虫密度”变量，并输入数据。再创建蛾量、卵量、降水量、雨日和幼虫密度的分级变量“x1”、“x2”、“x3”、“x4”和“y”，它们对应的分级数值可以在SPSS数据编辑窗口中通过计算产生。编辑后的数据显示如图2-1。

图2-1

或者打开已存在的数据文件“DATA6-5.SAV”。 2）启动线性回归过程

单击SPSS主菜单的“Analyze”下的“Regression”中“Linear”项，将打开如图2-2所示的线性回归过程窗口。

范文

图2-2 线性回归对话窗口

3) 设置分析变量

设置因变量：用鼠标选中左边变量列表中的“幼虫密度[y]”变量，然后点击“Dependent”栏左边的移到“Dependent”因变量显示栏里。

设置自变量：将左边变量列表中的“蛾量[x1]”、“卵量[x2]”、“降水量[x3]”、“雨日[x4]”变量，选移到“Independent(S)”自变量显示栏里。

设置控制变量: 本例子中不使用控制变量，所以不选择任何变量。 选择标签变量: 选择“年份”为标签变量。

选择加权变量: 本例子没有加权变量，因此不作任何设置。 4）回归方式

向右拉按钮，该变量就

本例子中的4个预报因子变量是经过相关系数法选取出来的，在回归分析时不做筛选。因此在“Method”框中选中“Enter”选项，建立全回归模型。

范文