海门网站开发,西安响应式网站建设服务提供商,微信企业邮箱怎么注册,wordpress 返回顶部现在用 Python 写线性回归的博客都快烂大街了#xff0c;为什么还要用 SPSS 做线性回归呢#xff1f;这就来说说 SPSS 存在的原因吧。
SPSS 是一个很强大的软件#xff0c;不用编程#xff0c;不用调参#xff0c;点巴两下就出结果了#xff0c;而且出来的大多是你想要的…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。
