SPSS中逐步回归分析的应用.docx

SPSS中逐步回归分析的应用
    SPSS(Statistical Package for the Social Science)社会科学应用软件包是世界上著名的统计分析软件之一。它和SAS（Statistical Analysis System，统计分析系统）、BMDP（Biomedical Programs，生物医学程序）并称为国际上最有影响的三大统计软件。SPSS名为社会学统计软件包，这是为了强调其社会科学应用的一面（因为社会科学研究中的许多现象都是随机的，要使用统计学和概率论的定理来进行研究），而实际上它在社会科学、自然科学的各个领域都能发挥巨大作用，并已经应用于经济学、生物学、教育学、心理学、医学以及体育、工业、农业、林业、商业和金融等各个领域。
回归分析是目前气象统计分析中最为常用的一种方法之一。例如目前台站常用的MOS（模式输出统计量）方法中，回归分析是最基本的方法之一。逐步回归能够帮我们建立最优的回归模型，但过程较复杂。Spss软件功能强大，且操作简单。我们用该软件对气象资料作逐步回归分析，对于Spss软件用于气象统计的便利亦可见一斑。下面以安庆市1951－1971年6～8月降水及相关资料（表一）为例。

1 数据格式
    表中1971年因子值留作预报时使用，不参加到样本中进行统计，表中符号意义如下：
y：安庆市整个地区6～8月降水量（mm）。
X1：1月500hPa高度距平和（50°～20°W，60°N；45°～25°W，55°N）。
X2：2～3月500hPa高度距平和（70°～100°E，30°N）。
X3：4月500hPa高度距平和（25°N，105°～115°E；20°N，100°～120°E；15°N，105°～115°E）。
X4：12月下旬一次年1月下旬安庆市地面WSW-WNW风速合计（m/s）。
2 统计步骤
2.1 做数据散点图，观察因变量和自变量关系是否具有线性关系。
2.1.1 GraPhs→Scatter→SiPle 顺序展开如图a所示的对话框：

2.1.2 将变量y（6-8月降水量）、x1(1月份500hPa高度距平和)依次选入Y Axis和X Axis，单击ok按钮。生成的图形如图（b）所示，根据同样的操作可以作出以y（6-8月降水量）为Y Axis，分别以其他几个自变量为X Axis的散点图。

    从散点图可以看出6-8月降水量和这几个自变量存在明显的线性关系，由此可以判定建立线性回归方程是非常适合的。
2.2 回归模型的建立
2.2.1 按Analyze→Regression→Linear顺序展开如图c所示的对话框：

2.2.2 左侧的源变量框中选择y（6-8月降水量）作为因变量进入DePendent框中。
    选择x1、x2、x3、x4变量作为自变量进入IndePendent(s)框中。
2.2.3 在 Method选择框中选择StePwise（逐步回归）作为分析方式。
2.2.4 单击Statics按钮，并打开如图d的对话框。在Resideuals栏中选择Casewise diagnostics项要求进行奇异值判别。并在Outliers outside standard deviation 的参数键入3,设置观测值的标准差大于3为奇异值。选中Collinearity diagnostics复选框，要求进行共线性诊断。单击Continue按钮返回。

2.2.5 为了从图形上检测模型的直线性和方差的齐性做散点图。单击Plot按钮，打开Plots对话框，将变量ZPRED与ZRESID分别选如X、Y框中。单击Continue
按钮回到主对话框。
2.2.6 提交系统执行结果。
2.3 结果输出见表
表2-1：被引入或被从剔除回归方程中剔除的各变量

表2-2：拟合过程小结

表2-3：方差分析

表2-4：回归系数分析

表2-5：共线性诊断

3 小结
    通过对上述个例的分析可以看到：运用Spss软件作逐步回归分析具有如下优点：
3.1 通过作散点图，可以直观的看出变量间是否具有线性关系。从而大致判断可能进入回归方程的变量。
3.2 通过对变量及参数的控制作逐步回归。Spss软件能自动剔除与预报量关系较弱的变量，为我们建立一个最优的回归模型。
3.3 通过方差分析，可以判断模型的效果。另外，我们还可以通过对一些参数的选择，在结果中得到对方程的显著性检验分析，以判断回归模型是否达到了我们的要求。
    可见，Spss软件用于气象资料的统计分析，是极为方便且有效的。
参考文献
1 黄嘉佑.《气象统计分析与预报方法》，2000，86－91.