1樓：一個人在那看書
我分析迴歸模型的離合度和顯示度，首先還是看它的成分表，如果合適的話再說
2樓：七七的西西
模型的擬合度是用r和r方來表示的，一般大於0.4就可以了，你的擬合度還不錯；自變數的顯著性是根據各個自變數係數後面的sig值判斷的，如果小於0.05可以說在95%的顯著性水平下顯著，小於0.
01就可以說在99%的顯著性水平下顯著了。你的題目中沒有給出係數表，所以我看不到顯著性如何。
在這裡了特別是顯著性，擬合度之類的，要怎麼看
3樓：教案集吖
模型的擬合度是用r和r方來表示的，一般大於0.4就可以了；自變數的顯著
性是根回據各個自變數答係數後面的sig值判斷的，如果小於0.05可以說在95%的顯著性水平下顯著，小於0.01就可以說在99%的顯著性水平下顯著了。
如果沒有給出係數表，是看不到顯著性如何的。
迴歸分析(regression analysis)是研究一個變數（被解釋變數）關於另一個（些）變數（解釋變數）的具體依賴關係的計算方法和理論。 從一組樣本資料出發，確定變數之間的數學關係式對這些關係式的可信程度進行各種統計檢驗，並從影響某一特定變數的諸多變數中找出哪些變數的影響顯著，哪些不顯著。利用所求的關係式，根據一個或幾個變數的取值來**或控制另一個特定變數的取值，並給出這種**或控制的精確程度。
其用意：在於通過後者的已知或設定值，去估計和（或）**前者的（總體）均值。
怎麼從eviews迴歸分析結果中看出有沒有顯著影響 10
4樓：空嵐沫
模型中解釋變數的估計值為-0.466102，標準差是0.069349,標準差是衡量回歸係數值的穩定性和可靠性的，越小越穩定，解釋變數的估計值的t值是用於檢驗係數是否為零的，若值大於臨界值則可靠。
估計值的顯著性概率值（prob)都小於5%水平，說明係數是顯著的。r方是表示迴歸的擬合程度，越接近1說明擬合得越完美。調整的r方是隨著變數的增加，對增加的變數進行的「懲罰」。
d-w值是衡量回歸殘差是否序列自相關，如果嚴重偏離2，則認為存在序列相關問題。f統計值是衡量回歸方程整體顯著性的假設檢驗，越大越顯著。
5樓：九月
1、引數顯著性檢驗t檢驗對應的prob，若小於0.05則引數的顯著性檢驗通過，再看r方，越接近1，擬合優度越高；f的p值，小於0.05的話模型才顯著，dw用來檢驗殘差序列的相關性的，在2的附近，說明殘差序列不相關。
2、標準差是衡量回歸係數值的穩定性和可靠性的，越小越穩定，解釋變數的估計值的t值是用於檢驗係數是否為零的，若值大於臨界值則可靠。
估計值的顯著性概率值（prob)都小於5%水平，說明係數是顯著的。r方是表示迴歸的擬合程度，越接近1說明擬合得越完美。調整的r方是隨著變數的增加，對增加的變數進行的「懲罰」。
d-w值是衡量回歸殘差是否序列自相關，如果嚴重偏離2，則認為存在序列相關問題。f統計值是衡量回歸方程整體顯著性的假設檢驗，越大越顯著。
擴充套件資料：
主要功能
引入了流行的物件概念，操作靈活簡便，可採用多種操作方式進行各種計量分析和統計分析，資料管理簡單方便。其主要功能有：
1、採用統一的方式管理資料，通過物件、檢視和過程實現對資料的各種操作；
2、輸入、擴充套件和修改時間序列資料或截面資料，依據已有序列按任意複雜的公式生成新的序列；
3、計算描述統計量：相關係數、協方差、自相關係數、互相關係數和直方圖；
4、進行t 檢驗、方差分析、協整檢驗、granger 因果檢驗；
5、執行普通最小二乘法、帶有自迴歸校正的最小二乘法、兩階段最小二乘法和三階段最小二乘法、非線性最小二乘法、廣義矩估計法、arch 模型估計法等；
6、對二擇一決策模型進行probit、logit 和gompit 估計；
7、對聯立方程進行線性和非線性的估計；
8、估計和分析向量自迴歸系統；
9、多項式分佈滯後模型的估計；
10、迴歸方程的**；
11、模型的求解和模擬；
12、資料庫管理；
13、與外部軟體進行資料交換。
spss進行線性迴歸分析時,相關係數都符合,但是顯著性不符合,如何調整
6樓：匿名使用者
線性迴歸時候，相關係數只是表明了各個係數之間的相關程度。但是自變數對因變數不顯著的話，可能存在多重共線性、資料存在異常值、異方差的問題。
1、自變數存在共線性問題
在進行線性迴歸分析時，很容易出現自變數共線性問題，通常情況下vif值大於10說明嚴重共線，vif大於5則說明有共線性問題。當出現共線性問題時，可能導致迴歸係數的符號與實際情況完全相反，本應該顯著的自變數不顯著，本不顯著的自變數卻呈現出顯著性。
解決方法：手動移除出共線性的自變數，先做下相關分析，如果發現某兩個自變數x（解釋變數）的相關係數值大於0.7，則移除掉一個自變數（解釋變數），然後再做迴歸分析。
逐步迴歸法，讓軟體自動進行自變數的選擇剔除，逐步迴歸會將共線性的自變數自動剔除出去。
2、資料存在異常值，如果資料中存在極端異常值，會導致資料偏移對分析結果產生嚴重影響。如果迴歸分析出現各類異常，可通過比如描述分析、箱線圖、散點圖等方法，找出並處理掉異常值後再做分析。
解決方法：檢視資料中是否有異常值，可通過箱線圖、散點圖檢視，剔除異常值可通過spssau「異常值」功能進行剔除。
3、異方差，如果模型存在明顯的異方差性，會影響迴歸係數的顯著情況，得到的迴歸模型是低效並且不穩定的。
解決方法：儲存殘差項，將殘差項分別與模型的自變數x或者因變數y，作散點圖，檢視散點是否有明顯的規律性。如果有明顯的異方差性，建議重新構建模型，比如對y取對數後再次構建模型等。
如果排除了這些原因還是不顯著，那麼基本說明該變數對被解釋變數無顯著影響。
擴充套件資料
在做實證就是做迴歸等等方法的時候，一般就看中三點，一是相關係數，看因變數和自變數是否相關。二是擬合優度（r平方），看回歸方程擬合的好不好，一般0.8以上就算擬合的比較好了。
三是自變數的係數對於因變數是否顯著啦，p值小於0.05就說明自變數對於因變數是顯著的。如果自變數的p值都比0.
05大，那就說明自變數對於因變數是不顯著的，這個自變數就沒什麼意義，所以如果變數比較多的情況下，還是做一下逐步迴歸。
如果變數比較少，做逐步迴歸就會導致最後有可能只剩下一個變數。逐步迴歸就是一個模型優化的過程，更加能解釋自變數和因變數之間的關係，一般迴歸之後效果不好都要逐步迴歸來優化線性模型的。
7樓：匿名使用者
你是想調整資料呢還是想調整什麼呢？
線性迴歸時候，相關係數只是表明了各個係數之間的相關程度。但是自變數對因變數不顯著的話，只能說明自變數多因變數影響不大，可以考慮換其他的跟因變數關係更加大的變數。或者在自變數多的情況下，用逐步迴歸的方法，提取出與因變數相關最大的自變數。
求助：有序logistic迴歸結果，擬合度顯著性＜0.05，是模型不適合嗎？什麼原因？怎麼改進？謝謝！！！ 10
8樓：呂秀才
剛好相反，這是說明
copy擬合的模型可以接受的意思
模型擬合資訊中的顯著性是將僅有截距的模型和最終引入**變數的模型比較得出的p值，說明引入**變數的最終模型與僅有截距的模型差異顯著，說明了引入的**變數有效。
下面的擬合度同樣是這個意思。
用spss分析迴歸係數的顯著性，t值和t的顯著性為什麼都是一
請問，這個問題你解決木有呢？我在處理資料時跟你碰到了同樣的問題 spss中迴歸分析結果解釋，不懂怎麼看 首先來說明各個符號，b也就是beta，代表迴歸係數，標準化的迴歸係數代表自變數也就是 變數和因變數的相關，為什麼要標準化，因為標準化的時候各個自變數以及因變數的單位才能統一，使結果更精確，減少因為...
線性迴歸和一次曲線擬合的區別,線性擬合和線性迴歸的區別是什麼
迴歸 分析bai 可以理解為一種方法du或演算法,即研究zhi因變數daoy和自變數專x之間關係的一種數學統屬 計方法,目的是瞭解y和x之間相關性的強度。擬合是推求一個函式表示式y f x 來描述y和x之間的關係,一般用最小二乘法原理來計算。用直線來擬合時,可以叫一次曲線擬合,雖然有點彆扭 用二次函...
uml分析模型和設計模型的區別，uml類圖和領域模型有什麼區別
uml類圖的概念 一 概述 uml類圖 class diagram 是描述類 介面 協作以及它們之間關係的圖，用來顯示系統中各個類的靜態結構。uml類圖是定義其他圖的基礎，在uml類圖基礎上，可以使用狀態圖 協作圖 元件圖和配置圖等進一步描述系統其他方面的特性。uml類圖包括7個元素 類 class...