逐步回归分析
在自变量很多时其中有的因素可能对应变量的影响不是很大而且x之间可能不完全相互独立的可能有种种互作关系。在这种情况下可用逐步回归分析进行x因子的筛选这样建立的多元回归模型预测效果会更较好。
逐步回归分析首先要建立因变量y与自变量x之间的总回归方程再对总的方程及每个自变量进行假设检验。当总的方程不显著时表明该多元回归方程线性关系不成立
而当某个自变量对y影响不显著时应该把它剔除重新建立不包含该因子的多元回归方程。筛选出有显著影响的因子作为自变量并建立“最优”回归方程。
回归方程包含的自变量越多回归平方和越大剩余的平方和越小剩余均方也随之较小预测值的误差也愈小模拟的效果愈好。但是方程中的变量过多预报工作量就会越大其中有些相关性不显著的预报因子会影响预测的效果。因此在多元回归模型中选择适宜的变量数目尤为重要。
逐步回归在病虫预报中的应用实例
以陕西省长武地区19841995年的烟蚜传毒病情资料、相关虫情和气象资料为例数据见建立蚜传病毒病情指数的逐步回归模型说明逐步回归分析的具体步骤。影响蚜传病毒病情指数的虫情因子和气象因子一共有21个通过逐步回归从中选出对病情指数影响显著的因子从而建立相应的模型。对19841995年的病情指数进行回检然后对
19961998年的病情进行预报再检验预报的效果。
变量说明如下
y历年病情指数x1前年冬季油菜越冬时的蚜量头株x2前年冬季x115月份均温x125月份降水量x136月份均温x146
f极端气温x35月份最高气温x45月份最低气温x535月份降水量x646月份降水量x735月份均温x846月份均温x94月份降水量x104月份均温月份降水量x15第一次蚜迁高
峰期百株烟草有翅蚜量x165
月份油菜百株蚜量x177月份
降水量x188月份降水量
x197月份均温x208月份
均温x21元月均温
1准备分析数据
在SPSS数据编辑窗口中用“File→Ope
→Data”命令打开“”数据文件。数据工
作区如下图31显示。
图31
2启动线性回归过程
单击SPSS主菜单的“A
alyze”下的“Regressio
”中“Li
ear”项将打开如图32
所示的线性回归过程窗口。
f图32线性回归对话窗口
3设置分析变量
设置因变量将左边变量列表中的“y”变量选入到“Depe
de
t”因变量显示栏里。
设置自变量将左边变量列表中的“x1”“x21”变量全部选移到
“I
depe
de
tS”自变量栏里。
设置控制变量本例子中不使用控制变量所以不选择任何变量。
选择标签变量选择“年份”为标签变量。
选择加权变量本例子没有加权变量因此不r