线性回归 - 多元线性回归案例 - 分析步骤、输出结果详解、与Python的结果对比 -(SPSS建模)
现在用 Python 写线性回归的博客都快烂大街了,为什么还要用 SPSS 做线性回归呢?这就来说说 SPSS 存在的原因吧。
SPSS 是一个很强大的软件,不用编程,不用调参,点巴两下就出结果了,而且出来的大多是你想要的。这样的特点特别适合建模初期进行算法的选择。比如
- SPSS 做因子分析,输出结果中有一项 Kaiser-Meyer-Olkin Measure of Sampling Adequacy. 它的值是在 [ 0, 1] 范围内,这个值大于 0.5 就证明原数据中的指标适合使用因子分析算法进行建模,小于 0.5 要不重新计算指标,要不换算法。
- SPSS 做多元线性回归,输出结果中的拟合度过低,说明指标与结果之间的相关性并不明显,要不重新计算指标,要不换算法。
- ..................
下面详细讲讲 SPSS做多元线性回归的步骤吧
准备工作:SPSS - 中文版 SPSS 22.0 软件下载与安装教程 - 【附产品授权许可码,永久免费】
第一步:导入数据
路径:【文件】--【打开】--【数据】--【更改文件类型,找到你的数据】--【打开】--【然后会蹦出下图左中的筛选框,基本使用默认值就行,点确定】
- 第一行代表的是用第一行的数据做列名;
- 第二行代表文件中数据所在的范围,默认是所有数据都选上,但是如果你只需要选择前 n 行,那就把里面的110改了就行;
- 第三行代表字符串宽度,这个默认值就可以,不用改;
导入数据之后就是下图右中的样子,老习惯,我们来说说原数据,第一列是拨打电话指数,第二列是接通电话指数,这两个是自变量,第三类是因变量回款指数。为了脱敏,所以用自己的办法换算成现在这样的数值。
第二步:数据分析
【分析】--【回归】--【线性】--【通过截图中的方式,将因变量与自变量添加到对应的地方】--【其他都使用默认值】--【确定】
第三步:输出结果分析
第一项输出结果:输入/移去的变量
输入变量是两个自变量Connect, Call,没有移去任何变量。
第二项输出结果:模型汇总
- R表示拟合优度(goodness of fit),用来衡量模型的拟合程度,越接近 1 越好;
- R方表示决定系数,用于反映模型能够解释的方差占因变量方差的百分比,越接近 1 越好;
- 调整R方是考虑自变量之间的相互影响之后,对决定系数R方的校正,比R方更加严谨,越接近 1 越好;
- 标准估计的误差是误差项 ε 的方差 σ2的一个估计值,越小越好;
一般认为,
- 小效应:R (0.1~0.3),对应 R方(0.01~0.09);
- 中等效应:R (0.3~0.5),对应 R方(0.09~0.25);
- 大效应:R (0.5~1),对应 R方(0.25~1);
第三项输出结果:Anova
Anova表示方差分析结果,主要看 F 和 Sig 值,为方差分析的结果,F检验的重点在 Sig 值,具体大小不重要,其 F 值对应的 Sig 值小于 0.05 就可以认为回归方程是有用的。
第四项输出结果:系数
系数表列出了自变量的显著性检验结果,
- 非标准化系数中的 B 表示自变量的系数与常数项(下图代表的回归方式为:Return = 0.097 * Call + 1.243 * Connect - 0.160);
- 标准系数给出的自变量系数与非标准化系数中的明显不同,这是因为考虑到不同自变量之间的量纲和取值范围不同(比如在其他例子里面,第一个自变量是年龄(0~120),第二个自变量是收入(0~10万),显然年龄18岁与收入18块钱代表的意义是不一样的,因此需要进行标准化),因此这里的系数更能代表每个自变量对因变量的影响程度,(下图代表的回归方式为:Return = 0.126 * Call_标准化的值 + 0.739 * Connect_标准化的值);
- t 值 与 Sig 值 是自变量的显著性检验结果,其 t 值对应的 Sig 值小于 0.05 代表自变量对因变量具有显著影响,下图中,自变量 Connect 对 因变量具有显著影响,而自变量 Call 的影响程度就弱了很多;
综上所有的输出结果,说明 Call、 Connect 与 Return 的拟合效果还挺理想的。
与Python的结果对比
同样的数据,我们看看Python中的多元线性回归结果:
Python给出的回归方程: Y = -0.01 + 0.09 * Call + 1.19 * Connect;
SPSS 给出的回归方程: Y = -0.16+ 0.09 * Call + 1.24 * Connect;
如果想要学习一下这个过程,你可能需要:
1.SPSS - 中文版 SPSS 22.0 软件下载与安装教程 - 【附产品授权许可码,永久免费】
2.机器学习 - 多元线性回归 - 一步一步详解 - Python代码实现
本例中用的数据与机器学习 - 多元线性回归 - 一步一步详解 - Python代码实现中的数据是同一份,便于对比。
线性回归 - 多元线性回归案例 - 分析步骤、输出结果详解、与Python的结果对比 -(SPSS建模)相关推荐
- 视频教程-2020年软考网络规划设计师案例分析历年真题详解软考视频教程-软考
2020年软考网络规划设计师案例分析历年真题详解软考视频教程 10年以上软考培训经验,线下培训学员过万人.培训过的课程有:网络规划设计师.网络工程师.信 息系统项目管理师.系统集成项目管理师.信息安全 ...
- RRT与RRT*算法具体步骤与程序详解(python)
提示:前面写了A*.Dijkstra算法 文章目录 前言 一.RRT的原理与步骤 二.RRT算法编写的步骤 1.算法步骤 2.算法的实现 三.RRT*算法编写的步骤 1.算法的步骤 2.算法的实现 三 ...
- 多重线性回归 多元线性回归_了解多元线性回归
多重线性回归 多元线性回归 Video Link 影片连结 We have taken a look at Simple Linear Regression in Episode 4.1 where ...
- 线性回归-多元线性回归
线性回归-多元线性回归 上次讲到简单线性回归,本文主要讲下如何处理多元线性回归,多元线性回归中如何检查多重共线性,以及如何进行feature selection. 多元线性回归,故名思意,用多个变量来 ...
- php输出源代码,PHP源代码分析-echo实现详解
PHP源代码分析-echo实现详解 echo,这个是PHP运用得最多的标记之一,算不上是函数,PHP手册里这么写的,因为它没有返回值.今天好奇就去看看PHP的源代码,因为echo不是一般的函数,所以找 ...
- 主成分分析(PCA)方法步骤以及代码详解
主成分分析(PCA)方法步骤以及代码详解 前言 上一节我们了解到在构建神经网络模型,除了掌握如何搭建神经网络架构,了解参数具体含义,规避风险等方法.第一步是要对采用数据集的详细了解,无需接触任何神经网 ...
- JDBC学习笔记02【ResultSet类详解、JDBC登录案例练习、PreparedStatement类详解】
黑马程序员-JDBC文档(腾讯微云)JDBC笔记.pdf:https://share.weiyun.com/Kxy7LmRm JDBC学习笔记01[JDBC快速入门.JDBC各个类详解.JDBC之CR ...
- 【 卷积神经网络CNN 数学原理分析与源码详解 深度学习 Pytorch笔记 B站刘二大人(9/10)】
卷积神经网络CNN 数学原理分析与源码详解 深度学习 Pytorch笔记 B站刘二大人(9/10) 本章主要进行卷积神经网络的相关数学原理和pytorch的对应模块进行推导分析 代码也是通过demo实 ...
- [转]netstat输出内容详解
netstat 输出内容详解 1.列出所有 tcp与udp 端口 netstat -anput Active Internet connections (servers and establishe ...
- netstat输出内容详解
netstat 输出内容详解 1.列出所有 tcp与udp 端口 netstat -anput Active Internet connections (servers and establishe ...
最新文章
- 自然语言模型算法太杂乱?国产统一 AI 开源框架来了
- CentOS 6.5升级Python后yum不可用的解决方案
- 基于多任务学习和负反馈的深度召回模型
- vue,vue-router实现浏览器返回不刷新页面
- 迁移数据库到SQL on Linux Docker
- 最新版Spring Cloud Alibaba微服务架构-Config配置中心篇
- linux 打开db文件怎么打开方式,linux服务器打开数据库文件
- 20145321 《Java程序设计》第4周学习总结
- ArcGIS制图表达Representation-制图表达原理
- 使用基础node.js的express框架在连接数据库的过程中,出现Error: Cannot enqueue Handshake after invoking quit.的解决方案
- QGIS下载安装 文档
- pyhton爬取广州链家租房信息,并用tableau进行数据分析
- katana 靶机 wp
- PostgreSQL表膨胀终结者
- VCC AVCC VDD AVDD区别(转载)
- 解决“¥”符号在安卓上显示只有一个横杠的问题
- html5作品答辩,HTML5答辩问题总结
- 第一章 动量守恒定律
- 英国电信反悔华为是唯一真正的5G供应商
- 范儿变迁:从北帝到叶问
热门文章
- 《鸟哥的Linux基础》
- CentOS 7.3 系统安装配置图解教程
- 20180209-shutil模块
- centos yum “The requested URL returned error: 404”错误
- 分享Db4o的便捷封装类源码
- SVN或其他网盘类软件同步图标不显示的异常
- 从Ubuntu12.04LTS到Foreda19再到Foreda8
- set_bit() 等位函数分析! \linux-1.0\linux\include\asm\bitops.h
- 服务器开发中网络数据分析与故障排查经验漫谈
- C++中virtual关键字的用法