〖您的位置〗计算机在多元统计分析中的应用>>计算机在多元回归分析中的应用>>实例介绍
 
三、实例介绍
　　多元线性回归分析方法在各门社会科学中都有广泛的用途。下面举一个简单的例子说明计算机在回归分析中的应用。
　　例12.1.1 对某考场的高考成绩进行回归分析。设考生的物理成绩为因变量（y），语文（x1）；数学（x2）和政治（x3）的成绩为自变量，15名考生以上四个科目的考分（满分都是100分）如表12-7所示。可见该问题的n=15，P=3。
表12-7 考生成绩
解：
　　第一步：输入数据到SPSS中，如图12-12
　　第二步：选择Analyze下的Regression中的linear，填写对话框，如图12.1. 所示。在这一步的设定中，将物理设定为独立变量，将语文、数学和政治设定为非独立变量。按照预设参数进行设定，然后选择option进行结果输出。

图12-12 linear对话框
　　第三步：结果生成。在option命令执行之后，SPSS系统将按照设定输出计算的结果。其中表coefficients和Residuals Statistics 中的各计算值反应了数据的线性回归特征。
　　在Coefficients表中第二大栏中的第一分列B所代表的数值即是回归方程系数的值。
　　C0=-44.472，C1=0.419，C2=0.974，C3=0.584
　　从而得到线性方程：
　　y= 44. 472+0.4l9x1 +0.974x2+0.584x3
　　根据该回归方程，可以对考生的物理成绩进行预测。假如某考生的语文成绩为40分，数学成绩是90分，政治成绩是60分，那么该考生的物理成绩估计值是：
　　y=-44.472+0.409×40+0.974×90+0.584×60=94.4
　　从所得的回归方程可以看出，考生的物理科成绩与语文、数学和政治科的成绩呈正相关。它提示我们：知识都是相通的，各科之间都有一定的联系，在中学阶段应该全面发展，学好各科文化知识。
根据所得的回归系数值，可知各科对物理成绩的贡献是不同的。若要比较各科贡献的相对大小，需对原始数据进行标准化处理，即对所有的自变量和因变量作如下标准化变换。根据标准化以后的原始数据计算出的回归系数，就可用来比较各科的贡献。回归系数值越大，相应科目的贡献就越大。