鸡肉的销售数量是因变量， 鸡肉的价格是自变量
<img onerror="imgDelByClass('comimg_box');" class="piczoom mpic" alt="
全部答案（共1个回答）
能力
R square 是0-1之间的一个数，数字越大，说明自变量和因变量之间的相关性越大
T是检验线性回归y=a+bx中拟合参数a,b的显著性
F值是F检验的统计量，也就是组间和组内的离差平方和与自由度的比值
显著性就是与F统计量对应的显著性水平，0,001说明拒绝原假设
即单因素的不同水平之间有显著差...
自变量的和正好等于因变量， 这一设定下， 因变量和自变量是精确的线性关系，没有任何随机性， 也不需要做回归了。 当然会有警告说不能计算统计量。
你需要改设计， ...
　　多元线性回归模型表示一种地理现象与另外多种地理现象的依存关系，这时另外多种地理现象共同对一种地理现象产生影响，作为影响其分布与发展的重要因素。
　　设变量Y...
首先建立两个变量如x,y,把数据录入进去(两列),在analysis里头,选correlate,分别把x,y放进去,点OK就可以得到结果。
大概是你强行Enter的自变量对因变量没有什么影响，你事先做一个相关分析看不到相关的。进入回归方程的，没有显著的应该就是你那些强行Enter的变量（或者它们占多...
答: 初三数学试题：向阳村2001年的人均收入为1200元，2003年的人均收入1452元，求人圴收入的年増长率。（ ×100％＝121％的平方根-...
答: 老师主动，多让学生背，思考，不学也得逼着，以后他们就知道对不对了
答: 数学：甲数、乙数与丙数的和是1400，甲数是乙数的2倍，丙数是乙数的二分之一，求甲、乙、丙各多少？
答: 中国人的数学理应比外国人好！ 这是我的个人观点，这在于中国人对数字的发音是单音，因此，对数字的记忆较为简单，提高了学习数学的效率！
而科学的发展，往往受制于社会...
大家还关注
Copyright &
Corporation, All Rights Reserved
确定举报此问题
举报原因(必选)：
广告或垃圾信息
激进时政或意识形态话题
不雅词句或人身攻击
侵犯他人隐私
其它违法和不良信息
报告，这不是个问题
报告原因(必选)：
这不是个问题
这个问题分类似乎错了
这个不是我熟悉的地区
相关问答：123456789101112131415[转载]回归分析与方差分析的关系
已有 1471 次阅读
|系统分类:|文章来源:转载
摘自：如果是初学者，看到这个题目一定有点惊奇：线性回归和还有关系？其实这不怪他们，应该是怪统计学教材以及统计教师。几乎所有的医学统计学教材中都把方差分析和线性回归分为独立两章，这倒不要紧，但是却没有专门的一章把它们的关系讲透，以至于许多学生学了很久都只能获得零零散散的珠子，缺乏一条将他们穿起来的线。这篇文章的目的就是通过一般线性模型（General Linear Model）的介绍，将方差分析与线性回归串起来。这里仍然只是以单因素的线性回归为例，因为这样容易看懂。对于，其实如果大家注意一下，就应该发现，它们其实一共是两个变量，一个是分组变量，一个是分析的变量。比如，比较3种药物的降压效果，药物就是分组变量，有3个取值；血压值就是分析的变量。当然，对于方差分析来讲，分析变量一般都是连续型资料，而分组变量一般都是分类资料。如果再注意看一下线性回归的形式，也应该发现，最简单的线性回归也是两个变量，一个是因变量或结局变量，一个是自变量或原因变量。比如体重对肺活量的影响。对于线性回归来讲，自变量和因变量都是连续型资料。如果将这线性回归中的两个变量与方差分析中的两个变量比较一下，可以发现他们是一致的。方差分析中的分析变量实际上就是线性回归中的因变量，方差分析中的分组变量就是线性回归中的自变量。这两个方法的目的都是为了看自变量（分组变量）对因变量（分析变量）的影响。如上面所说的，目的就是为了看药物对血压的影响，体重对肺活量的影响。比较一下，可以发现，线性回归和方差分析的结果变量是一样的，都是连续型资料，而自变量就不一样了，方差分析中是分类资料，而线性回归中是连续型资料。但他们都可以统一到一个大的范畴中，即一般线性模型。其实如果把方差分析的形式改一下，大家可能就更容易理解了。一般的方差分析的数据大都列成这样的形式：ABC121632141723151728131931142128如果A、B、C分别用1、2、3来表示，列成下面的格式：yx121141151131141162172172192212323233283313283怎么样，这种形式跟线性回归的形式差不多了吧？y就是因变量，x就是自变量。唯一与线性回归不同的地方是：线性回归中的x和y是一一对应的，而这里的x和y是一对多的，即1个x对应多个y值，但这不影响分析。其实即使在线性回归中，偶尔也会出现一对多的现象的。比如体重对肺活量的影响，如果有好几个人体重相同而肺活量不同，就出现了一对多的现象。这就跟方差分析更像了。最后加点总结性的、理论性的东西，一般线性模型的形式大致可以这样：y=α+βx+ε，这个其实大家都应该很熟悉了，在统计教材中的线性回归章节中一般都有这个公式。这里的y就是因变量，x就是自变量，但是这里需要注意的就是，x是分类变量的时候，就变成了方差分析的形式了，当x是连续型变量的时候，就变成了线性回归的形式了。总之，正如哲学中内容与形式的原理，一般线性模型是内容，x的变化则显示了其不同的形式，但无论如何，它们的内容都是一般线性模型。&
转载本文请联系原作者获取授权，同时请注明本文来自董杰科学网博客。链接地址：
上一篇：下一篇：
当前推荐数：0
推荐到博客首页
评论 ( 个评论)
扫一扫，分享此博文
作者的其他最新博文
热门博文导读
Powered by
Copyright &苹果/安卓/wp
积分 125, 距离下一级还需 20 积分
权限: 自定义头衔
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡下一级可获得
道具: 匿名卡
（VIP/贵宾）三级
（VIP/贵宾）三级
已加入1个月, 距下一级还需17天
权限: 隐身, 签名中使用图片
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板, 匿名卡, 显身卡下一级可获得
权限: 自定义头衔道具: 抢沙发
开心签到天数: 13 天连续签到: 2 天[LV.3]偶尔看看II
1、为什么要进行多层回归分析？要点是什么？
2、图中这些“交互作用”项是怎么做出来的？平时我们选择变量也没有这些交互作用啊，只有在多元方差分析中才有吧？
10:37:33 上传
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
一、多层回归的好处是观察R方的改变量，以及其显著性，从而判断该层的变量是否具有预测作用。
二、交互项是通过两个自变量相乘得到的，相乘之前需要进行中心化，以使截距有意义。
热心帮助其他会员
总评分:&论坛币 + 15&
bfzldh 发表于
一、多层回归的好处是观察R方的改变量，以及其显著性，从而判断该层的变量是否具有预测作用。
二、交互项是 ...非常感谢，第一个问题懂了。第二个问题，怎么在SPSS实现呢？我查了一下书，好像多重线性回归模型里面没有这个设置啊？
王晓峰 发表于
非常感谢，第一个问题懂了。第二个问题，怎么在SPSS实现呢？我查了一下书，好像多重线性回归模型里面没有 ...直接在转换里面，计算生成一个新变量ab，ab=a*b
bfzldh 发表于
直接在转换里面，计算生成一个新变量ab，ab=a*b谢谢，是：A新=ai-A平均；B新=bi-B平均。去中心后，然后将A新乘以B新，对吗？
王晓峰 发表于
谢谢，是：A新=ai-A平均；B新=bi-B平均。去中心后，然后将A新乘以B新，对吗？是这样的
初级热心勋章
初级热心勋章
中级热心勋章
中级热心勋章
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师如何理解线性回归中的方差齐性
不少人可能对方差齐性检验不是很重视，觉得正态性可能更重要，但其实方差齐性的重要程度可能更大，因为它可能会让你的标准误发生很大变化，从而导致结论的变化。线性回归中，方差齐性是一个必须考虑的前提条件。本文主要介绍一下，如何理解线性回归中的方差齐性的含义，以及如何对方差是否齐性进行探测。
所谓方差齐性，也就是方差相等，在t检验和方差分析中，都需要满足这一前提条件。在两组和多组比较中，方差齐性的意思很容易理解，无非就是比较各组的方差大小，看看各组的方差是不是差不多大小，如果差别太大，就认为是方差不齐，或方差不等。如果差别不大，就认为方差齐性或方差相等。当然，这种所谓的差别大或小，需要统计学的检验，所以就有了方差齐性检验。
在两组和多组比较中，每组都有很多数据，可以求出每组的方差，然后比较就行了，很容易理解。但是在线性回归中，有的人就不理解方差齐性是什么意思了。因为线性回归中自变量x不是分类变量，x取值很多，通常情况下，每个x值只对应1个y值。比如，分析身高对血压值的影响，可能每个身高对应的血压值只有一个数值。很显然，对于1个数是没有办法计算方差的，那还何来“方差齐性”检验呢？
这是因为，尽管在一次抽样中每个x取值上可能只有1个y值，但对于总体而言，理论上每个x取值上对应的y值是有很多的。例如，研究身高（x）与血压值（y）的关系，尽管在一次抽样中每一身高值（如170cm）所对应的血压值可能只有1个值（如140mmHg），但从总体而言这一固定的身高（170cm）所对应的血压值应该有很多，可能是140mmHg，也可能是150mmHg，只是在我们的抽样中恰好抽中了这1个值而已。事实上，如果你重新抽样，170cm所对应的血压值可能就不是140mmHg了，有可能就是145mmHg或138mmHg等。
所以，线性回归中，理论上也是有方差的。然而这种理论上的方差，除非你知道总体中每个x取值上的所有对应的y值，否则你是没有办法真正去计算方差的。但这种情况几乎是不可能发生的，因此在线性回归中的方差齐性检验，很多情况下只是一种探测而已。
既然线性回归无法做到对每一个x取值上的y值计算方差，那我们可以放宽一下，可以简单地看某一x取值范围内的y值的方差，这是可以做到的。所以实际中我们经常通过线性回归的残差图来判断方差齐性，即以因变量残差作为纵坐标，以某自变量作为横坐标，绘制散点图。如下图所示。如果残差总的来说时随机分布的，没有随着自变量的增加而有其它趋势，基本就可以认为方差齐性。
当然残差图只是观察一下，如果想用统计学方法来验证是否有趋势的话，那很自然的一个想法就是，分析具体某一自变量与残差有没有关系就可以了。这也就是BP（Breusch-Pagan）法和White检验进行方差齐性检验的思想。即以残差为因变量，观察自变量与残差之间是否存在线性关系（BP法）或非线性关系（White检验）。如果存在，提示可能存在方差不齐。BP检验和White检验是较为常用的两种方差齐性检验的方法。
下面是SAS软件给出的两种检验结果。
SAS软件中可通过proc model过程或proc reg过程的model语句的spec选项探测方差齐性。R软件可通过lmtest包中bptest函数，通过指定不同的变量形式，可输出BP检验或White检验。
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
今日搜狐热点扫二维码下载作业帮
3亿+用户的选择
下载作业帮安装包
扫二维码下载作业帮
3亿+用户的选择
如果方差不齐,能否用SPSS做单因素方差分析?
作业帮用户
扫二维码下载作业帮
3亿+用户的选择
one-way ANOVA方差分析项的post Hoc test分别有二选项: 1.假设方差齐时有一系列的分析方法可选.2.假设方差不齐时又有一系列的分析方法可选.再者,为保证统计准确,如果方差不齐,可以进行对数,倒数或函数的转换,选择适当的转换形式,直到齐性检验变为不显著.如果还不行就只能用非参数的单因素分析.如果非要进行方差分析则需要把means±SD范围外的数据剔除.实际操作中对方差齐性等适用条件的把握:1.单因素方差分析:根据BOX的研究结果,在单因素方差分析中,如果各组的例数相同(即均衡),或总体呈正态分布,则方差分析模型对方差略微不齐有一定的耐受力,只要最大与最小方差之比小于3,分析结果都是稳定的2.单元格内无重复数据的方差分析分析:以配伍设计的方差分析最为典型,此时不需要考虑正态性和方差齐性问题,原因在于正态性和方差齐性的考察是以单元格为基本单位的,此时每个格子中只有一个元素,当然没法分析了.除配伍设计的方差分析外,交叉设计,正交设计等也可以出现无重复数据的情况.但必须指出,这里只是因条件不足,无法考察适用条件,而不是说可以完全忽视这两个问题.如果根据专业知识认为可能在不同单元格内正态性,方差齐性有问题,则应当避免使用这种无重复数据的设计方案.3.有重复数据的多因素方差分析：由于正态性,方差齐性的考察以单元格为基本单位,此时单元格数目往往很多,平均每个单元格内的样本粒数实际上比较少.此时实际上很难检验出差别；另一方面,也可能只是因为极个别单元格方差不齐而单质检验不能通过.根据实际经验,实际在多因素方差分析中,极端值的影响远远大于方差齐性等问题的影响,因此实际分析中可以直接考察因变量的分布情况,如果数据分布不是明显偏态,不存在极端值,而一般而言方差齐性和正态齐性不会有太大问题,而且也可以基本保证单元格内无极端值.因此在多因素方差分析中,方差齐性往往只限于理论讨论,但对于较重要的研究,则建模后的残差分析是非常重要的.
为您推荐：
其他类似问题
扫描下载二维码}