实验六 用SPSS进行非线性回归分析
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
实验六用SPSS进行非线性回归分析
例:通过对比12个同类企业得月产量(万台)与单位成本(元)得资料(如图1),试配合适当得回归模型分析月产量与单位成本之间得关系
图1原始数据与散点图分析
一、散点图分析与初始模型选择
在SPSS数据窗口中输入数据,然后插入散点图(选择Graphs→Scatter命令),由散点图可以瞧出,该数据配合线性模型、指数模型、对数模型与幂函数模型都比较合适。进一步进行曲线估计:从Statistic下选Regression菜单中得Curve Estimation命令;选因变量单位成本到Dependent框中,自变量月产量到Independent框中,在Models框中选择Linear、Logarithmic、Power与Exponential四个复选框,确定后输出分析结果,见表1。
分析各模型得R平方,选择指数模型较好,其初始模型为
但考虑到在线性变换过程可能会使原模型失去残差平方与最小得意义,因此进一步对原模型
自变量为月产量。
表1曲线估计输出结果
二、非线性模型得优化
SPSS提供了非线性回归分析工具,可以对非线性模型进行优化,使其残差平方与达到最小。从Statistic下选Regression菜单中得Nonlinear命令;按Paramaters按钮,输入参数A:176、57与B:-、0183;选单位成本到Dependent框中,在模型表达式框中输入“A*EXP(B*月产量)”,确定。SPSS输出结果见表2。
由输出结果可以瞧出,经过6次模型迭代过程,残差平方与已有了较大改善,缩小为568、
97,误差率小于0、00000001,
优化后得模型为:
迭代历史记录b
迭代数a残差平方与参数
A B
1、0104710、523 176、570-、183
1、15、346E+133 -3455、
813
2、243
1、2 306840766
40、873
476、032 、087
1、3 9731
2、724215、183 -、160
2、0 97312、724 215、183 -、160
2、1 83887、036268、159 -、133
3、083887、036 268、159 -、133
3、159358、745 340、412-、102
4、0 59358、745 340、412 -、102 4、126232、008385、967 -、065
5、0 26232、008 385、967 -、065 5、17977、231261、978 -、038
6、07977、231 261、978-、038
6、11388、850 153、617-、015
7、0 1388、850153、617-、015
7、1 581、073 180、889 -、019
8、0 581、073 180、889 -、019
8、1 568、969 182、341 -、019
9、0 568、969 182、341 -、019
9、1 568、969 182、334 -、019
10、0 568、969 182、334 -、019 10、1 568、969 182、334 -、019 导数就就是通过数字计算得。
a、主迭代数在小数左侧显示,次迭代数在小数右侧显示。
b、由于连续残差平方与之间得相对减少量最多为 SS
CON = 1、000E-008,因此在22 模型评估与 10 导
数评估之后,系统停止运行。
表2非线性回归得输出结果
传统手工运算求解,运算量与迭代次数成正比;而使用SPSS求解,只要输入了初始参数值与模型表达式,无论迭代多少次,都可快速得到最后结果,不仅减轻了计算强度,而且提高了数据准确度,相比Excel又有了极大得进步。