多元回归分析 在大多数的实际问题中，影响因变量的因素不是一个而是多个，我们称这类回问题为多元回归分析。可以建立因变量y 与各自变量xj(j=1,2,3,… ,n)之间的多元线性回归模型： 其中：b0 是回归常数；bk(k=1,2,3,… ,n)是回归参数；e 是随机误差。 多元回归在病虫预报中的应用实例: 某地区病虫测报站用相关系数法选取了以下4 个预报因子；x1 为最多连续10 天诱蛾量(头)；x2 为4 月上、中旬百束小谷草把累计落卵量(块)；x3 为4 月中旬降水量(毫米)，x4 为4 月中旬雨日(天)；预报一代粘虫幼虫发生量y（头/m2）。分级别数值列成表 2-1。 预报量y：每平方米幼虫0~10 头为1 级，11~20 头为2 级，21~40 头为3 级，40 头以上为4 级。 预报因子：x1 诱蛾量0~300 头为l 级，301~600 头为2 级，601~1000 头为3 级，1000 头以上为4 级；x2 卵量0~150 块为1级，15l~300 块为2 级，301~550 块为3 级，550 块以上为4 级；x3 降水量0~10.0 毫米为1 级，10.1~13.2 毫米为2 级，13.3~17.0毫米为3 级，17.0 毫米以上为4 级；x4 雨日 0~2 天为1 级，3~4 天为2 级，5 天为3 级，6 天或 6 天以上为4 级。 表 2-1 x1 x2 x3 x4 y 年 蛾量 级别 卵量 级别 降水量 级别 雨日 级别 幼虫密度 级别 1960 1022 4 112 1 4.3 1 2 1 10 1 1961 300 1 440 3 0.1 1 1 1 4 1 1962 699 3 67 1 7.5 1 1 1 9 1 1963 1876 4 675 4 17.1 4 7 4 55 4 1965 43 1 80 1 1.9 1 2 1 1 1 1966 422 2 20 1 0 1 0 1 3 1 1967 806 3 510 3 11.8 2 3 2 28 3 1976 115 1 240 2 0.6 1 2 1 7 1 1971 718 3 1460 4 18.4 4 4 2 45 4 1972 803 3 630 4 13.4 3 3 2 26 3 1973 572 2 280 2 13.2 2 4 2 16 2 1974 264 1 330 3 42.2 4 3 2 19 2 1975 198 1 165 2 71.8 4 5 3 23 3 1976 461 2 140 1 7.5 1 5 3 28 3 1977 769 3 640 4 44.7 4 3 2 44 4 1978 255 1 65 1 0 1 0 1 11 2 数据保存在“DATA6-5.SAV”文件中。 1 ）准备分析数据 在SPSS 数据编辑窗口中，创建“年份”、“蛾量”、“卵量”、“降水量”、“雨日”和“幼虫密度”变量，并输入数据。再创建蛾量、卵量、降水量、雨日和幼虫密度的分级变量“x1”、“x2”、...
VIP
