第八章spss之-回歸分析

1、第八章 回歸分析第一節(jié) Linear過程8.1.1 主要功能8.1.2 實例操作第二節(jié) Curve Estimation過程8.2.1 主要功能8.2.2 實例操作第三節(jié) Logistic過程8.3.1 主要功能8.3.2 實例操作第四節(jié) Probit過程8.4.1 主要功能8.4.2 實例操作第五節(jié) Nonlinear過程8.5.1 主要功能8.5.2 實例操作回歸分析是處理兩個及兩個以上變量間線性依存關系的統(tǒng)計方法。在醫(yī)學領域中，此類問題很普遍，如人頭發(fā)中某種金屬元素的含量與血液中該元素的含量有關系，人的體表面積與身高、體重有關系；等等?；貧w分析就是用于說明這種依存變化的數(shù)學關系。第一節(jié)

2、Linear過程8.1.1 主要功能調(diào)用此過程可完成二元或多元的線性回歸分析。在多元線性回歸分析中，用戶還可根據(jù)需要，選用不同篩選自變量的方法（如：逐步法、向前法、向后法，等）。返回目錄 返回全書目錄8.1.2 實例操作例8.1某醫(yī)師測得10名3歲兒童的身高（cm）、體重（kg）和體表面積（cm2）資料如下。試用多元回歸方法確定以身高、體重為自變量，體表面積為應變量的回歸方程。兒童編號體表面積（Y）身高（X1）體重（X2）123456789105.3825.2995.3585.2925.6026.0145.8306.1026.0756.41188.087.688.589.087.789.588

3、.890.490.691.211.011.812.012.313.113.714.414.915.216.08.1.2.1 數(shù)據(jù)準備激活數(shù)據(jù)管理窗口，定義變量名：體表面積為Y，保留3位小數(shù)；身高、體重分別為X1、X2，1位小數(shù)。輸入原始數(shù)據(jù)，結果如圖8.1所示。圖8.1 原始數(shù)據(jù)的輸入8.1.2.2 統(tǒng)計分析激活Statistics菜單選Regression中的Linear.項，彈出Linear Regression對話框（如圖8.2示）。從對話框左側的變量列表中選y，點擊鈕使之進入Dependent框，選x1、x2，點擊鈕使之進入Indepentdent(s)框；在Method處下拉菜單，共

4、有5個選項：Enter（全部入選法）、Stepwise（逐步法）、Remove（強制剔除法）、Backward（向后法）、Forward（向前法）。本例選用Enter法。點擊OK鈕即完成分析。圖8.2 線性回歸分析對話框用戶還可點擊Statistics.鈕選擇是否作變量的描述性統(tǒng)計、回歸方程應變量的可信區(qū)間估計等分析；點擊Plots.鈕選擇是否作變量分布圖（本例要求對標準化Y預測值作變量分布圖）；點擊Save.鈕選擇對回歸分析的有關結果是否作保存（本例要求對根據(jù)所確定的回歸方程求得的未校正Y預測值和標準化Y預測值作保存）；點擊Options.鈕選擇變量入選與剔除的、值和缺失值的處理方法。8.1

5、.2.3 結果解釋在結果輸出窗口中將看到如下統(tǒng)計數(shù)據(jù)：* * * * M U L T I P L E R E G R E S S I O N * * * *Listwise Deletion of Missing DataEquation Number 1 Dependent Variable. YBlock Number 1. Method: Enter X1 X2Variable(s) Entered on Step Number 1. X2 2. X1Multiple R .94964R Square .90181Adjusted R Square .87376Standard Erro

6、r .14335Analysis of Variance DF Sum of Squares Mean SquareRegression 2 1.32104 .66052Residual 7 .14384 .02055F = 32.14499 Signif F = .0003- Variables in the Equation -Variable B SE B Beta T Sig TX1 . . . .919 .3887X2 . . . 3.234 .0144(Constant) -2. 6. -.475 .6495End Block Number 1 All requested vari

7、ables entered.結果顯示，本例以X1、X2為自變量，Y為應變量，采用全部入選法建立回歸方程?；貧w方程的復相關系數(shù)為0.94964，決定系數(shù)（即r2）為0.90181，經(jīng)方差分析，F(xiàn)=34.14499，P=0.0003，回歸方程有效。回歸方程為Y=0.X1+0.X2-2.。本例要求按所建立的回歸方程計算Y預測值和標準化Y預測值（所謂標準化Y預測值是指將根據(jù)回歸方程求得的Y預測值轉(zhuǎn)化成按均數(shù)為0、標準差為1的標準正態(tài)分布的Y值）并將計算結果保存入原數(shù)據(jù)庫。系統(tǒng)將原始的X1、X2值代入方程求Y值預測值（即庫中pre_1欄）和標準化Y預測值（即庫中zpr_1欄），詳見圖8.3。圖8.3 計

8、算結果的保存本例還要求對標準化Y預測值作變量分布圖，系統(tǒng)將繪制的統(tǒng)計圖送向Chart Carousel窗口，雙擊該窗口可見下圖顯示結果。圖8.4 對標準化Y預測值所作的正態(tài)分布圖返回目錄 返回全書目錄第二節(jié) Curve Estimation過程8.2.1 主要功能調(diào)用此過程可完成下列有關曲線擬合的功能：1、Linear：擬合直線方程（實際上與Linear過程的二元直線回歸相同，即Y = b0+ b1X）；2、Quadratic：擬合二次方程（Y = b0+ b1X+b2X2）；3、Compound：擬合復合曲線模型（Y = b0b1X）；4、Growth：擬合等比級數(shù)曲線模型（Y = e(b0

9、+b1X)）；5、Logarithmic：擬合對數(shù)方程（Y = b0+b1lnX）6、Cubic：擬合三次方程（Y = b0+ b1X+b2X2+b3X3）；7、S：擬合S形曲線（Y = e(b0+b1/X)）；8、Exponential：擬合指數(shù)方程（Y = b0 eb1X）； 9、Inverse：數(shù)據(jù)按Y = b0+b1/X進行變換；10、Power：擬合乘冪曲線模型（Y = b0X b1）；11、Logistic：擬合Logistic曲線模型（Y = 1/（1/u + b0b1X）。返回目錄 返回全書目錄8.2.2 實例操作例8.2某地1963年調(diào)查得兒童年齡（歲）X與錫克試驗陰性率（%

10、）Y的資料如下，試擬合對數(shù)曲線。年齡（歲）X錫克試驗陰性率（%）Y123456757.176.090.993.096.795.696.28.2.2.1 數(shù)據(jù)準備激活數(shù)據(jù)管理窗口，定義變量名：錫克試驗陰性率為Y，年齡為X，輸入原始數(shù)據(jù)。8.2.2.2 統(tǒng)計分析激活Statistics菜單選Regression中的Curve Estimation.項，彈出Curve Estimation對話框（如圖8.5示）。從對話框左側的變量列表中選y，點擊鈕使之進入Dependent框，選x，點擊鈕使之進入Indepentdent(s)框；在Model框內(nèi)選擇所需的曲線模型，本例選擇Logarithmic模型

11、（即對數(shù)曲線）；選Plot models項要求繪制曲線擬合圖；點擊Save.鈕，彈出Curve Estimation:Save對話框，選擇Predicted value項，要求在原始數(shù)據(jù)庫中保存根據(jù)對數(shù)方程求出的Y預測值，點擊Continue鈕返回Curve Estimation對話框，再點擊OK鈕即可。圖8.5 曲線擬合對話框8.2.2.3 結果解釋在結果輸出窗口中將看到如下統(tǒng)計數(shù)據(jù)：ndependent: X Dependent Mth Rsq d.f. F Sigf b0 b1 Y LOG .913 5 52.32 .001 61.3259 20.6704在以X為自變量、Y為應變量，采用

12、對數(shù)曲線擬合方法建立的方程，決定系數(shù)R2=0.913（接近于1），作擬合優(yōu)度檢驗，方差分析表明：F=52.32，P=0.001，擬合度很好，對數(shù)方程為：Y=61.3259+20.6704lnX。本例要求繪制曲線擬合圖，結果如圖8.6所示。圖8.6 對數(shù)曲線擬合情形根據(jù)方程Y=61.3259+20.6704lnX，將原始數(shù)據(jù)X值代入，求得Y預測值（變量名為fit_1）存入數(shù)據(jù)庫中，參見圖8.7。圖8.7 計算結果的保存返回目錄 返回全書目錄第三節(jié) Logistic過程8.3.1 主要功能調(diào)用此過程可完成Logistic回歸的運算。所謂Logistic回歸，是指應變量為二級計分或二類評定的回歸分析

13、，這在醫(yī)學研究中經(jīng)常遇到，如：死亡與否（即生、死二類評定）的概率跟病人自身生理狀況和所患疾病的嚴重程度有關；對某種疾病的易感性的概率（患病、不患病二類評定）與個體性別、年齡、免疫水平等有關。此類問題的解決均可借助邏輯回歸來完成。特別指出，本節(jié)介紹的Logistic過程，應與日常所說的Logistic曲線模型（即S或倒S形曲線）相區(qū)別。用戶如果要擬合Logistic曲線模型，可調(diào)用本章第二節(jié)Curve Estimation過程，系統(tǒng)提供11種曲線模型，其中含有Logistic曲線模型（參見上節(jié)）。在一般的多元回歸中，若以P（概率）為應變量，則方程為P=b0+b1X1+b2X2+bkXk,但用該方

14、程計算時，常會出現(xiàn)P1或P0的不合理情形。為此，對P作對數(shù)單位轉(zhuǎn)換，即logitP=ln(P/1-P)，于是，可得到Logistic回歸方程為： eb0+b1X1+b2X2+bkXkP = 1+ eb0+b1X1+b2X2+bkXk返回目錄 返回全書目錄8.3.2 實例操作例8.3某醫(yī)師研究男性胃癌患者發(fā)生術后院內(nèi)感染的影響因素，資料如下表，請通過Logistic回歸統(tǒng)計方法對主要影響因素進行分析。術后感染（有無）Y年齡（歲）X1手術創(chuàng)傷程度（5等級）X2營養(yǎng)狀態(tài)（3等級）X3術前預防性抗菌（有無）X4白細胞數(shù)（109/L）X5癌腫病理分度（TNM得分總和）X6有有無無無有無有有無無無無無無6

15、97257413265585455596436424850453113342121341232113222121122無無無有有有有無有有無有有有有5.64.49.711.210.47.03.16.67.96.09.18.45.34.612.89645556674686548.3.2.1 數(shù)據(jù)準備激活數(shù)據(jù)管理窗口，定義變量名：術后感染為Y（字符變量，有輸入Y、無輸入N），年齡為X1，手術創(chuàng)傷程度為X2，營養(yǎng)狀態(tài)為X3，術前預防性抗菌為X4（字符變量，有輸入Y、無輸入N），白細胞數(shù)為X5，癌腫病理分度為X6。按要求輸入原始數(shù)據(jù)。8.3.2.2 統(tǒng)計分析激活Statistics菜單選Regress

16、ion中的Logistic.項，彈出Logistic Regression對話框（如圖8.8示）。從對話框左側的變量列表中選y，點擊鈕使之進入Dependent框，選x1、x2、x3、x4、x5和x6，點擊鈕使之進入Covariates框；點擊Method處的下拉按鈕，系統(tǒng)提供7種方法：圖8.8 邏輯回歸對話框1、Enter：所有自變量強制進入回歸方程；2、Forward: Conditional：以假定參數(shù)為基礎作似然比概率檢驗，向前逐步選擇自變量；3、Forward: LR：以最大局部似然為基礎作似然比概率檢驗，向前逐步選擇自變量；4、Forward: Wald：作Wald概率統(tǒng)計法，向前

17、逐步選擇自變量；5、Backward: Conditional：以假定參數(shù)為基礎作似然比概率檢驗，向后逐步選擇自變量；6、Backward: LR：以最大局部似然為基礎作似然比概率檢驗，向后逐步選擇自變量；7、Backward: Wald：作Wald概率統(tǒng)計法，向后逐步選擇自變量。本例選用Forward: Conditional法，以便選擇有主要作用的影響因素；點擊Options.鈕，彈出Logistic Regression:Options對話框，在Display框中選取At last step項，要求只顯示最終計算結果，點擊Continue鈕返回Logistic Regression對話框

18、，再點擊OK鈕即可。8.3.2.3 結果解釋在結果輸出窗口中將看到如下統(tǒng)計數(shù)據(jù)：Dependent Variable Encoding:Original InternalValue Valuey 0n 1 Parameter Value Freq Coding (1)X4 n 5 1.000 y 10 -1.000系統(tǒng)先對字符變量進行重新賦值，對于應變量Y，回答是（Y）的賦值為0，回答否（X）的賦值為1；對于應變量X4，回答是（Y）的賦值為-1，回答否（X）的賦值為1。Dependent Variable. YBeginning Block Number 0. Initial Log Like

19、lihood Function-2 Log Likelihood 19.* Constant is included in the model.Beginning Block Number 1. Method: Forward Stepwise (COND) Improv. Model CorrectStep Chi-Sq. df sig Chi-Sq. df sig Class % Variable 1 8.510 1 .004 8.510 1 .004 80.00 IN: X3 2 6.766 1 .009 15.276 2 .000 93.33 IN: X6No more variabl

20、es can be deleted or added.End Block Number 1 PIN = .0500 Limits reached.Final Equation for Block 1Estimation terminated at iteration number 12 becauseLog Likelihood decreased by less than .01 percent.-2 Log Likelihood 3.819Goodness of Fit 3.000 Chi-Square df Significance Model Chi-Square 15.276 2 .

21、0005 Improvement 6.766 1 .0093Classification Table for Y Predicted y n Percent Correct y | nObserved + y y | 4 | 1 | 80.00% + n n | 0 | 10 | 100.00% + Overall 93.33%- Variables in the Equation -Variable B S.E. Wald df Sig R Exp(B)X3 -30.5171 298.0526 .0105 1 .9184 .0000 .0000X6 -10.2797 107.9559 .00

22、91 1 .9241 .0000 .0000Constant 123.4053 1155.1065 .0114 1 .9149結果表明，第一步自變量X3入選，方程分類能力達80.00%；第二步自變量X6入選，方程分類能力達93.33%（參見結果中的分類分析表）；方程有效性經(jīng)2檢驗，2=15.276，P=0.0005。Logistic回歸的分類概率方程為： e123.4053-30.5171X3-10.2797X6P = 1+ e123.4053-30.5171X3-10.2797X6根據(jù)該方程，若一胃癌患者營養(yǎng)狀態(tài)評分（X3）為3，癌腫病理分度（X6）為9，則其P=4.510-270，這意味著

23、術后將發(fā)生院內(nèi)感染；另一胃癌患者營養(yǎng)狀態(tài)評分（X3）為1，癌腫病理分度（X6）為4，則其P=0.981051，這意味著術后將不會發(fā)生院內(nèi)感染。返回目錄 返回全書目錄第四節(jié) Probit過程8.4.1 主要功能調(diào)用此過程可完成劑量-效應關系的分析。通過概率單位使劑量-效應的S型曲線關系轉(zhuǎn)化成直線，從而利用回歸方程推算各效應水平的相應劑量值。返回目錄 返回全書目錄8.4.2 實例操作例8.4研究抗瘧藥環(huán)氯胍對小白鼠的毒性，試驗結果如下表所示。試計算環(huán)氯胍的半數(shù)致死劑量。劑量（mg/kg）動物數(shù)死亡數(shù)12976543571934381255611171220 8.4.2.1 數(shù)據(jù)準備激活數(shù)據(jù)管理窗口

24、，定義變量名：劑量為DOSE、試驗動物數(shù)為OBSERVE、死亡動物數(shù)為DEATH。然后輸入原始數(shù)據(jù)。8.4.2.2 統(tǒng)計分析激活Statistics菜單選Regression中的Probit.項，彈出Probit Analysis對話框（如圖8.9示）。從對話框左側的變量列表中選death，點擊鈕使之進入Response Frequency框；選observe，點擊鈕使之進入Total Observed框；選dose，點擊鈕使之進入Covariate(s)框，并下拉Transform菜單，選Log base 10項（即要求對劑量進行以10為底的對數(shù)轉(zhuǎn)換）。圖8.9 劑量-效應關系分析對話框系統(tǒng)

25、在Model欄中提供兩種模型，一是概率單位模型（Probit），另一是比數(shù)比自然對數(shù)模型（Logit）。本例選用概率單位模型。點擊Options.鈕，彈出Probit Analysis:Options對話框，在Natural Response Rate欄選Calculate from data項，要求計算各劑量組的實際反應率。之后點擊Continue鈕返回Probit Analysis對話框，再點擊OK鈕即可。8.4.2.3 結果解釋在結果輸出窗口中將看到如下統(tǒng)計數(shù)據(jù)：系統(tǒng)首先顯示，共有7組原始數(shù)據(jù)采概率單位模型進行分析?；貧w方程的各參數(shù)在經(jīng)過14次疊代運算后確定，即PROBIT = 5.95

26、215 - 4.66313X 。該方程擬合優(yōu)度2檢驗結果，2 = 0.833，P=0.934，擬合良好。DATA Information 7 unweighted cases accepted. 0 cases rejected because of missing data. 0 cases are in the control group. 0 cases rejected because LOG-transform cant be done.MODEL Information ONLY Normal Sigmoid is requested.Natural Response rate t

27、o be estimated CONTROL group is not provided. Parameter estimates converged after 14 iterations. Optimal solution found. Parameter Estimates (PROBIT model: (PROBIT(p) = Intercept + BX): Regression Coeff. Standard Error Coeff./S.E. DOSE 5.95215 2.39832 2.48180 Intercept Standard Error Intercept/S.E.

28、-4.66313 2.19942 -2.12017 Estimate of Natural Response Rate = . with S.E. = .26448 Pearson Goodness-of-Fit Chi Square = .833 DF = 4 P = .934 Since Goodness-of-Fit Chi square is NOT significant, no heterogeneity factor is used in the calculation of confidence limits. Covariance(below) and Correlation

29、(above) Matrices of Parameter Estimates DOSE NAT RESP DOSE 5.75192 .82927 NAT RESP .52601 .06995接著，系統(tǒng)顯示劑量對數(shù)值（DOSE）、實際觀察例數(shù)（Number of Subjects）、試驗動物反應數(shù)（Observed Responses）、預期反應數(shù)（Expected Responses）、殘差（ Residual）和效應的概率（Prob）。之后，顯示各效應概率水平的劑量值及其95%可信區(qū)間值，按本例要求，環(huán)氯胍的半數(shù)致死劑量（即Prob = 0.50時）為6.07347，其95%可信區(qū)間為1.

30、863057.54282。Observed and Expected Frequencies Number of Observed Expected DOSE Subjects Responses Responses Residual Prob 1.08 5.0 5.0 4.804 .196 .96082 .95 7.0 6.0 5.917 .083 .84534 .85 19.0 11.0 12.221 -1.221 .64320 .78 34.0 17.0 16.573 .427 .48745 .70 38.0 12.0 11.688 .312 .30757 .60 12.0 2.0 1.

31、682 .318 .14016 .48 5.0 .0 .171 -.171 .03413 Confidence Limits for Effective DOSE 95% Confidence Limits Prob DOSE Lower Upper .01 2.46942 .02752 4.27407 .02 2.74406 .04534 4.54351 .03 2.93394 .06223 4.72430 .04 3.08539 .07895 4.86574 .05 3.21433 .09580 4.98445 .06 3.32832 .11294 5.08821 .07 3.43158

32、.13047 5.18134 .08 3.52676 .14845 5.26651 .09 3.61561 .16694 5.34550 .10 3.69937 .18597 5.41954 .15 4.06733 .29060 5.74092 .20 4.38570 .41395 6.01572 .25 4.67862 .56021 6.26792 .30 4.95831 .73436 6.51010 .35 5.23239 .94261 6.75084 .40 5.50646 1.19286 6.99754 .45 5.78528 1.49529 7.25814 .50 6.07347 1

33、.86305 7.54282 .55 6.37600 2.31299 7.86673 .60 6.69886 2.86587 8.25522 .65 7.04974 3.54438 8.75565 .70 7.43943 4.36394 9.46545 .75 7.88416 5.30688 10.59748 .80 8.41075 6.29069 12.60617 .85 9.06910 7.21514 16.40564 .90 9.97116 8.09412 24.20725 .91 10.20216 8.27760 26.73478 .92 10.45919 8.46892 29.825

34、25 .93 10.74928 8.67177 33.68627 .94 11.08278 8.89128 38.64769 .95 11.47580 9.13511 45.27000 .96 11.95538 9.41572 54.59759 .97 12.57252 9.75590 68.85554 .98 13.44250 10.20577 93.92908 .99 14.93751 10.92195 153.73112最后，系統(tǒng)輸出以劑量對數(shù)值為自變量X、以概率單位為應變量Y的回歸直線散點圖，從圖中各點的分布狀態(tài)亦可看出，回歸直線的擬合程度是很好的。圖8.10 劑量-效應關系回歸直線散

35、點圖返回目錄 返回全書目錄第五節(jié) Nonlinear過程8.5.1 主要功能調(diào)用此過程可完成非線性回歸的運算。所謂非線性回歸，即為曲線型的回歸分析，一些曲線模型我們已在本章第二節(jié)中述及。但在醫(yī)學研究中經(jīng)，還經(jīng)常會遇到除本章第二節(jié)中述及的曲線模型，對此，SPSS提供Nonlinear過程讓用戶根據(jù)實際需要，建立各種曲線模型以用于研究變量間的相互關系。在醫(yī)學中，如細菌繁殖與培養(yǎng)時間關系的研究即可借助Nonlinear過程完成。下面一些曲線模型是在論文中較常見的，提供給用戶應用時作參考：模型名稱 模型表達式Asympt. Regression1 Y = b1 + b2exp( b3 X )Asymp

36、t. Regression2 Y = b1 -( b2 ( b3 X )Density Y = ( b1 + b2 X ) (-1/ b3 )Gauss Y = b1 (1- b3exp( -b2 X 2)Gompertz Y = b1exp( -b2 exp( -b3 X )Johnson-Schumacher Y = b1exp( -b2 / ( X + b3)Log Modified Y = ( b1 + b3X )b2Log-Logistic Y = b1 -ln(1+ b2 exp( -b3X )Metcherlich Law of Dim. Ret. Y = b1 + b2exp(

37、 -b3X )Michaelis Menten Y = b1X /( X + b2 )Morgan-Mercer-Florin Y = ( b1b2 + b3X b4 )/( b2 + X b4 )Peal-Reed Y = b1 /(1+ b2 exp(-( b3X + b4X 2+ b5X 3 )Ratio of Cubics Y = ( b1 + b2X + b3X 2 + b4X 3 )/( b5X 3 )Ratio of Quadratics Y = ( b1 + b2X + b3X2 )/( b4X 2 )Richards Y = b1 /(1+ b3exp(- b2X ) (1/

38、 b4 ) )Verhulst Y = b1 /(1 + b3exp(- b2X )Von Bertalanffy Y = ( b1 (1 - b4 ) - b2exp( -b3X ) (1/(1 - b4 )Weibull Y = b1 - b2exp(- b3X b4 )Yield Density Y = (b1 + b2X + b3X 2 )(-1)返回目錄 返回全書目錄8.5.2 實例操作例8.5選取某地某年壽命表中40-80歲各年齡組的尚存人數(shù)資料如下表，請就該資料試擬合Gompertz曲線（Y = b1b2(b3X)）。年齡組（歲）年齡簡化值（X）尚存人數(shù)（Y）4045505560

39、657075800123456788127779258765327285067568599115080039325280748.5.2.1 數(shù)據(jù)準備激活數(shù)據(jù)管理窗口，定義變量名：年齡簡化值為X，尚存人數(shù)為Y。輸入原始數(shù)據(jù)。8.5.2.2 統(tǒng)計分析激活Statistics菜單選Regression中的Nonlinear.項，彈出Nonlinear Regression對話框（如圖8.11示）。從對話框左側的變量列表中選y，點擊鈕使之進入Dependent框。由于SPSS系統(tǒng)尚無法智能地自動擬合用戶所需的曲線，故一方面要求用戶估計方程中常數(shù)項和各系數(shù)項進行疊代運算的起始值，另一方面要求用戶列出方程

40、模型。對此，可首先點擊Nonlinear Regression對話框的Parameters.鈕，彈出Nonlinear Regression: Parameters對話框（圖8.12），在Name處定義系數(shù)名，在Start Value處輸入起始值（這項工作是十分重要的，否則系統(tǒng)可能無法運算，甚至會因疊代次數(shù)過大導致SPSS系統(tǒng)的崩潰），本例定義b1=8500、b2=1、b3=1.5，每定義一個系數(shù)，即點擊Add鈕加以確定；若在后面的運算中出錯，則還可修改系數(shù)項的起始值，修改后點擊Change鈕加以確定；然后點擊Continue鈕返回Nonlinear Regression對話框。在Model

41、Expression處寫出曲線方程表達式，用戶可借助系統(tǒng)提供的數(shù)碼盤和函數(shù)列表寫出方程。本例要求計算根據(jù)回歸方程求出的預測值，可點擊Save鈕，在Nonlinear Regression:Save New Variables對話框中選Predicted value項。最后點擊OK鈕即可。圖8.11 非線性回歸對話框圖8.12 系數(shù)項定義對話框8.5.2.3 結果解釋在結果輸出窗口中將看到如下統(tǒng)計數(shù)據(jù)：Iteration Residual SS B1 B2 B3 1 8500.00000 1. 1. 1.1 80175.3427 . 1. 2 80175.3427 . 1. 2.1 3.8505E+11 .013 . -. 2.2 .6 83185.8046 . 1. 3 .6 83185.8046 . 1. 3.1 81201.8322 1. 1. 3.2 .1 85774.2528 . 1. 4 .1 85774.2528 . 1. 4.1 .6 90637.3496 . 1. 5 .6 9