SPSS回歸分析

第1章　相關(guān) 1.1　引言 1.2　第一個(gè)前提條件：尺度水平 1.3　其他前提條件：線性、同方差性和連續(xù)性 1.4　說明：對(duì)線性的圖形檢驗(yàn) 1.4.1　過程GRAPH，Scatterplot選項(xiàng) 1.4.2　SPSS過程命令 C 1.5　相關(guān)系數(shù)的統(tǒng)計(jì)和解釋 1.5.1　相關(guān)系數(shù)的統(tǒng)計(jì)量 1.5.2　相關(guān)系數(shù)的解釋 1.6　利用 SPSS 的計(jì)算（示例） 1.7　難點(diǎn)：線性、產(chǎn)生錯(cuò)覺相關(guān)和一型差誤累積 1.7.1　產(chǎn)生錯(cuò)覺相關(guān)和偏相關(guān) 1.7.2　一型差誤累積問題 1.8　特殊用途 1.8.1　相關(guān)系數(shù)的比較 1.8.2　比較相關(guān)的一致性 1.8.3　正準(zhǔn)相關(guān) 1.9　計(jì)算皮爾遜相關(guān)系數(shù)的前提條件 第2章　線性回歸和非線性回歸 2.1　線性回歸：有因果方向的關(guān)聯(lián) 2.1.1　雙變量線性回歸：利用REGRESSION的回歸分析概述 2.1.2　雙變量線性回歸的示例和語句——第一步：根據(jù)杠桿值和殘差檢驗(yàn)線性并識(shí)別離群值 2.1.3　輸出結(jié)果和解釋 2.1.4　過程2：刪除離群值的效應(yīng)——選出的輸出結(jié)果 2.1.5　說明：繪制回歸直線（IGRAPH）的圖形 2.2　非線性簡(jiǎn)單回歸 2.2.1　利用線性回歸對(duì)線性函數(shù)進(jìn)行分析 2.2.2　利用線性回歸分析調(diào)查非線性函數(shù) 2.2.3　將非線性函數(shù)線性化，并利用線性回歸進(jìn)行調(diào)查 2.2.4　利用非線性回歸分析非線性函數(shù)：非線性回歸 2.2.5　更高的要求：帶有兩個(gè)預(yù)測(cè)變量的非線性回歸 2.2.6　用于非線性回歸的SPSS過程 NLR ? 2.2.7　非線性回歸的假設(shè) 2.2.8　總覽表：非線性回歸的模型 2.3　多元線性回歸：多重共線性和其他難點(diǎn) 2.3.1　多元回歸的特點(diǎn) 2.3.2　第一個(gè)例子：多元回歸特殊統(tǒng)計(jì)的解釋 2.3.3　第二個(gè)例子：多重共線性的識(shí)別和消除 2.4　計(jì)算線性回歸的前提條件 第3章　邏輯回歸和有序回歸 3.1　引言：因變量的因果模型和測(cè)量水平 3.2　二元邏輯回歸 3.2.1　邏輯回歸方法和與其他方法的比較 3.2.2　示例界面和語法：逐步法（BSTEP） 3.2.3　輸出結(jié)果和解釋 3.2.4　示例和語法：直接法 3.2.5　輸出結(jié)果和解釋 3.2.6　補(bǔ)充說明邏輯回歸的理論檢驗(yàn)vs診斷：模型擬合優(yōu)度vs預(yù)測(cè)效率 3.2.7　二元邏輯回歸的前提條件 3.3　有序回歸 3.3.1　有序回歸方法和與其他方法的比較 3.3.2　例1 界面操作和語法：定距預(yù)測(cè)變量（WITH-選項(xiàng)） 3.3.3　輸出結(jié)果和解釋 3.3.4　例2和語法：分類預(yù)測(cè)變量（BY選項(xiàng)） 3.3.5　輸出結(jié)果和解釋 3.3.6　有序回歸的前提條件 3.4　多項(xiàng)邏輯回歸 3.4.1　例子、界面選擇和語法：主效應(yīng)模型（二元因變量） 3.4.2　輸出結(jié)果和解釋 3.4.3　補(bǔ)充說明：逐步計(jì)算帶有一個(gè)二元因變量的模型：NOMREG REGRESSION和LOGISTIC REGRESSION輸出結(jié)果的比較 3.4.4　特殊情況：帶有定量預(yù)測(cè)變量的巢式病例對(duì)照研究（1:1）——示例、語法、輸出結(jié)果和解釋 3.4.5　補(bǔ)充說明：LOGISTIC REGRESSION 對(duì)比 NOMREG （區(qū)別） 3.4.6　多項(xiàng)邏輯回歸的前提條件 3.5　本章所介紹的各種回歸方法的比較 第4章　生存分析 4.1　生存分析概述 4.2　生存分析的基本原理 4.2.1　生存函? 4.2.2　確定生存函? 4.2.3　其他函數(shù) 4.3　截尾數(shù)據(jù) 4.3.1　非期望事件或者未發(fā)生目標(biāo)事件 4.3.2　對(duì)截尾數(shù)據(jù)與非截尾數(shù)據(jù)做不同處理的三個(gè)理由 4.3.3　失效數(shù)據(jù)和截尾的處理（三種方法） 4.4　估計(jì)生存時(shí)間S(t)的方法 4.4.1　保險(xiǎn)精算法和壽命表法 4.4.2　使用Kaplan-Meier法估計(jì)生存時(shí)? 4.4.3　無截尾和有截尾的示例（方法：Kaplan-Meier） 4.5　對(duì)多個(gè)組進(jìn)行比較的檢驗(yàn) 4.6　利用SPSS進(jìn)行生存分析 4.6.1　示例：無因子Kaplan-Meier法 4.6.2　示例：采用因子的Kaplan-Meier法 4.6.3　利用因子變量與分層變量進(jìn)行比較（Kaplan-Meier法） 4.6.4　Kaplan-Meier分析的置信區(qū)間 4.6.5　不帶因子的壽命表計(jì)算法示例 4.6.6　帶有因子的壽命表法計(jì)算示例 4.6.7　計(jì)算生存分析的首要條件 4.7　Cox回歸 4.7.1　Cox模型簡(jiǎn)介和背景知識(shí) 4.7.2　帶有定量協(xié)變量的Cox回歸 4.7.3　帶有二元協(xié)變量的Cox回歸（k=2） 4.7.4　帶有分類協(xié)變量的Cox回歸（k ＞2） 4.7.5　針對(duì)交互作用的Cox回歸 4.7.6　檢驗(yàn)Cox回歸的前提條件 4.7.7　帶有時(shí)間相依的定量協(xié)變量的Cox回歸 4.7.8　Cox回歸的特定前提條件 4.7.9　附錄：對(duì)比方法 第5章　回歸分析的其他應(yīng)用實(shí)例 5.1　偏回歸 5.1.1　運(yùn)用PLS過程（Python Extension）進(jìn)行計(jì)算 5.1.2　運(yùn)用SPSS過程REGRESSION進(jìn)行計(jì)算 5.2　個(gè)體生長曲線 5.2.1　方法1：隨機(jī)截距模型 5.2.2　方法2：隨機(jī)斜率模型 5.2.3　方法3：隨機(jī)截距和隨機(jī)斜率模型 5.3　嶺回歸（SPSS宏） 5.3.1　利用嶺跡實(shí)現(xiàn)多重共線性的可視化 5.3.2　嶺回歸的計(jì)算 5.3.3　SPSS宏“Ridge-Regression” 第6章　其他方法和模型（一覽） 6.1　通過SPSS菜單調(diào)用其他回歸方法 6.2　可用語句調(diào)用的其他回歸形式 附錄A　公式 參考文獻(xiàn) 您對(duì)本書的建議和意見 作者簡(jiǎn)介