华东理工大学多元统计分析与SPSS应用实验4

1、华东理工大学20132014 学年 第 二 学期 多元统计分析与SPSS应用实验报告4班级 学号 姓名 开课学院 商学院 任课教师 任飞 成绩 实验内容：实验 4 回归分析方法1.相关分析熟悉Correlate功能 Analyze Correlate Bivariate选用Trends chapter 9. sav 文件中的变量，将consump, income, 放入对话框,作二个随机变量的相关分析。选用Employee data. sav 文件中的变量，将Current Salary, educ, salbegin, gender,. 放入对话框,作二个随机变量的相关分析。2.回归分析熟悉

2、 Regression 功能Analyze Regression Liner 选用Employee data. sav 文件中的变量，将salary作为因变量(dependent variables)，其它的，如educ, salbegin, gender,.作为自变量(independent variables)，作多元线性回归分析。注：Method框选用Enter Method框选用Stepwise 实验要求：1. 对实验内容4.1的结果进行分析2. 试讨论“Employee data”是否能构成一个回归问题以及对回归结果展开讨论。教师评语： 教师签名： 年 月 日实验报告：4.11、打开

3、Trends chapter 9. sav，按照顺序AnalyzeCorrelateBivariate，将consump, income, 放入对话框，如图4.1.1所示。点击Pearson相关系数为-0.744，带有两个“*”，表明在显著性水平为0.01下两变量是显著相关的，且F检验P值为0，拒绝总体中这两个变量相关系数为零的假设，由此可得consump和income呈现出显著的负相关。2、打开Employee data. sav ，将Current Salary, educ, salbegin, gender,prevexp，jobtime. 全部放入对话框,，按照顺序AnalyzeCor

4、relateBivariate，如图4.1.3所示。以Current Salary为例，Current Salary和Educational Level、Beginning Salary、Gender、Previous Experience的Pearson相关系数分别为0.661（*）、0.880（*）、-0.450（*）、-0.097（*），表明在显著性水平为0.01下Current Salary和Educational Level、Beginning Salary、Gender是显著相关的，“Months Since Hire”与其余变量无显著相关性。上述说明当前工资和职工受教育年限和起薪

5、是显著正相关，和性别是负相关，这里“0”表示男性，“1”表示女性，结果也符合实际，一般来说，同等情况下男性工资水平比女性工资水平要高。当前工资和工作年限有一定的关系，但显著性与前三个变量相比要弱。4.21、打开Employee data.sav，按照顺序Analyze Regression Liner 单击“Statistics”，选择“Estimates”、“Model fit”、“Confidence intervals”、“Descriptive”单击“OK”，得到结果如图图图图结果分析：图4.2.3是描述统计量的结果图4.2.4是相关分析的结果，Current salary分别和Edu

6、cational Level、Beginning salary、Gender、Previous Experience、Months Since Hire的相关系数分别是0.661、0.880、-0.450、-0.097、0.084，可知Current Salary 和Educational Level、Beginning salary、Gender有较高的相关性。图4.2.5是模型摘要，分别给出相关系数R、判断系数R Square、调整判断系数Adjusted R Square等图4.2.6是方差分析，由回归均方F统计量检验值P=0可知，整体回归方程显著。图4.2.7是偏回归系数，由t统计量检验值P<<0.05，各回归系数均显著，可得回归方程为2、打开Employee data.sav，按照顺序Analyze Regression Liner 图图图图图结果分析：图4.2.9显示变量引入或剔除过程，由图可知，Model1-5变量引入均未被剔除，所选变量在显著性水平0.05下均显著。图4.2.10为模型摘要，反映了各模型的拟合状况，可知Model 5拟合最好。图4.2.