spss 다중회귀분석 예제

이 예제에서는 종속 변수와 인구, 강도, 절도 및 차량 도난 변수를 독립 변수로 변수 “살인 율”을 입력해야 합니다. 이 경우 메서드로 단계별로 선택합니다. 다중 선형 회귀 해석의 기본 방법은 `Enter`입니다. 즉, 모든 변수가 모델에 있어야 합니다. 그러나 오버 피팅은 우리 들의 관심사이므로 상당한 양의 추가 분산을 설명하는 모델의 변수만 원합니다. 분석할 변수에 대해 이러한 그래프를 모두 플로팅하는 것이 좋습니다. 공간 고려 사항으로 인해 모든 변수에 대해 이러한 그래프를 표시하기 때문에 생략합니다. 그러나 변수를 조사할 때 히스토그램은 다소 특이한 것처럼 보였습니다. 지금까지, 우리는이 변수에 문제가 아무것도 본 적이 없다, 하지만 아래 전체 히스토그램을 보면. 그것은 다른 모든 관측값보다 훨씬 낮은 전체 자격 증명을 가진 퍼센트가 100 개 이상의 관측을 보여줍니다. 이것은 학교의 25 % 이상이며 매우 특이한 것 같습니다. .

첫 번째 관심 테이블은 모델 요약 테이블입니다. 이 표는 R, R2, 조정된 R2 및 추정값의 표준 오차를 제공하여 회귀 모델이 데이터에 얼마나 잘 맞는지 결정하는 데 사용할 수 있습니다. 만족? 당사의 상관관계는 모든 예측 변수가 통계적으로 결과 변수와 유의하게 상관관계가 있음을 보여줍니다. 그러나 예측 변수 자체 간에도 상당한 상관 관계가 있습니다. 즉, 겹칩니다. 예측 변수가 고려한 작업 만족도의 일부 차이는 다른 예측 변수에 의해 고려될 수도 있습니다. 그렇다면 이 다른 예측 변수는 예측에 고유하게 기여하지 않을 수 있습니다. 올바른 예측 변수를 찾는 방법에는 여러 가지가 있습니다. 그 중 하나는 회귀 방정식에 모든 예측 변수를 하나씩 추가하는 것입니다. 5개의 예측 변수가 있으므로 5개의 모델이 생성됩니다. 그래서 무슨 일이 일어나는지 보자.

회귀 선형 분석으로 이동하여 아래와 같이 대화 상자를 작성합니다. 이 출력을 해석할 때 일반 계수와 표준화된 계수 간의 차이는 측정 단위라는 점을 기억하십시오. 예를 들어 ell의 원시 계수를 설명하기 위해 “ell의 1단위 감소는 예측된 api00에서 .86 단위 증가를 생성합니다.” 그러나 표준화된 계수(Beta)의 경우 “ell의 표준 편차 감소는 예측된 api00에서 .15 표준 편차 증가를 생성합니다.” 이제 하나의 결과(종속) 변수와 여러 예측 변수가 있는 여러 회귀의 예를 살펴보겠습니다. 이 다중 회귀 예제의 경우 데이터 집합의 모든 예측 변수에 종속 변수 api00을 회귀합니다. 우리의 6 히스토그램을 간략하게 살펴보면 c가 알려줍니다. 이 열은 예측 변수(상수, 수학, 여성, socst, 읽기)를 보여 주며 있습니다.