管理统计实验报告2.doc

管理统计基础操作实验报告
班级：管科081 姓名：陈望新 学号:5504108003
一、 线性回归分析
1。自变量强行进入的回归
说明：已知确切的解释变量与被解释变量，但不清楚他们之间的系数关系.
目的：搞清楚他们间的系数，求出确切的回归方程。
步骤：打开数据CH10回归人均食品支出
点击analyze—regression—linear按要求点选后，输出结果
如下图表 1(现以多元回归为例对结果进行说明）

图表 1
图表1中,常数项的sig列概率为0。168>0。05，表示常数项与0没有显著性差异，表明常数项不应出现在方程中。
人均收入sig列的概率为0。000<0。05，表示人均收入的系数与0有显著性差异，人均收入应当作为解释变量出现在方程中。
粮食单价的解释同上，表明其系数也应出现在方程中。
因此，应当采用标准回归方程及其系数（表中的beta列）
2。逐步回归法
说明：本问题已知一些可能与被解释变量有关的解释变量，不确定是不是都有关，不确切知道回归方程是什么，要依靠spss来探索.
目的：探索出确切的的回归方程。
步骤:打开数据CH6CH9CH10证券投资额与依据
点击analyze-regression—linear按要求点选后，输出结果
如下两图（图表 2和图表 3）

图表 Error! Bookmark not defined.
图表2中sum of squares列的regression数据从334.497增加到498.043表明随着回归模型的改进,已解释变差越来越大。表中最后的sig列的显著性概率都小于0.01说明每个模型的总体回归效果都是显著的。

图表 2
图表3中sig列几乎所有的变量的系数都在0。01的水平上，显著异于0.只有最后的受教育程度的显著性概率为0。016,大于0.01，但还是小于0。02，表明在0.02的显著性水平上，收教育程度的系数显著异于0。即,这些变量都可以作为解释变量存在于模型中，解释投资额的变化.
3。多重共线性
说明：解释变量中多个变量有共同的变化趋势，可能会导致错误地删除变量，或者 r的平方会趋于1。
判断方法:如果输出的F的统计值很大，R趋于1，同时,许多t统计值小，估计系数的标准差大，则表明纯在多重共线性问题。
处理过程：1。删除t相对小的解释变量
2。用变量比例代替变量
3.改变模型结构
4。恰当处理滞后变量
5。增大样本容量
步骤：打开数据CH10共线反向逐步服装需求
点击analyze-regression-linear按要求点选后，输出结果如下两图

图表 3

图表 4
图表4中,第一次回归t统计值的显著性概率分别为0。015,0.772，0.078，0。072。除了可支配收入的显著性概率小于0。05外，其余都大于0。05，表明其相应的系数与0没有显著性差异。同时图表5中总体回归效果r与r的平方都很接近于1，说明解释变量之间存在多重共线性.图表4中第二次回归剔除了金融资产变量后，除常数项外，t检验结果都很好了,表明消除了多重共线性。
4.异方差问题
说明：指随着解释变量的变化，被解释变量的方差存在明显的变化趋势。此时回归参数的估计值仍无偏,但是不再是最小方差,所以不再有效。
判断方法：用散点图判断。以标准化残差为纵轴，以标准化预测值为横轴，看图的趋势（具体怎么看还真没搞明白,书上都没怎么说明～)还是用未标准化残差的绝对值，计算其与解释变量的spearman的相关系数好,看与0有没有差异，有显著差异则说明存在异方差性。
处理过程:（1）试算异方差的形式,选出回归效果最好的形式
（2）用广义最小二乘法及其回归的效果。
步骤：（1）初步判断异方差性。
打开CH10异方差SI原
点击analyze-regression—linear按要求点选后，输出结果如下图表6
图表 5
初步看出异方差性～（怎么看出来的？我估计应该是同一条竖线上，即标准化预测值相同时，其未标准化残差的值不一致。即没有一种线性的趋势）
(2）检验异方差是否存在.
点击transform-compute，产生新变量未标准化残差的绝对值.点击analyze-corrrelate-bivariate计算居民收入与绝对值e的spearman相关系数为0。069，相应的P=0.000，与0有显著差异,说明存在异方差性（如下图表7所示）

图表 Error! Bookmark not defined.

（3)用加权最小二乘法估计回归方程的系数。
由于我spss新数值的形成有点问题，下面就不再分析了~
4。序列相关
说明:自相关问题,是指随着不同期的样本值（或不同编号）之间,存在相关关系.
基本类似的，省略了～
二、 因子分析
说明：因子分析其目的是浓缩数据，通过对诸多变量的相关性研究,可以用假想的少数几个变量来表示原来变量的主要信息。
作用：1。寻求基本结构 2.数据化简
概述：用spss做因子分析，读入数据后，点击analyze-data reduction—factor。做如下5件事
(1）做kmo测度和巴特利特球体检验,或输出相关系数矩阵，看数据是否适宜做因子分析。
（2）指定参与因子分析的变量
（3）指定提取公共因子的方法和确定因子个数的方法
（4）决定是否旋转,并选定因子旋转方法。
（5）决定是否要计算因子值,并把它作为新变量保存起来。
步骤：打开CH11主成份企业创汇
点击analyze-data reduction—factor，按要求勾选,输出结果。
如下几个图表

图表 6
图表8中结果显示kmo值为0.735，适宜做因子分析（大于0。7都适合)。巴特利特球体检验的卡方统计值的显著性概率是0。000,小于0.01，说明数据具有相关性，适宜做因子分析。

图表 7
图表9中数字，所选两个因子的特征根解释了总体方差的90.772％.

图表 8
图表10是旋转后的因子1与因子2的负载值表格。表中数据显示，因子1对创汇,利润和履约率有较大影响，反映的是总业绩的情况,可以命名为总业绩因子。而因子2对人均创汇有较大影响，反映的是人均业绩的情况，可以命名为人均业绩因子。（数值越接近1，表明因子对其的影响越大)

图表 Error! Bookmark not defined.
图表11是计算因子值的系数矩阵，由公式f=x*B,可以计算出公共因子f的因子值。
两个因子值都出现在数据窗口中。今后，可以运用这两个变量代表原来的4个变量做回归分析。如下图表12

图表 Error! Bookmark not defined.