传统回归分析中的非标准化回归系数与SEM中路径系数的关系 - 服事人的（路22:26） --
查看: 2343|回复: 3
最后登录注册时间威望0 金钱25 贡献7 阅读权限10积分32日志记录帖子主题精华0好友
书童, 积分 32, 距离下一级还需 18 积分
注册时间最后登录积分32精华0主题帖子
请教Kenneth老师及各位同仁：传统的回归分析中的非标准化回归系数与SEM中的路径系数的关系是什么？&&T9 Q: r) l& w4 f5 [
（一）我的数据介绍1、统计分析一：利用SPSS进行分层回归分析。第一层控制了人统变量；第二层：自变量A的3个成分A1、A2、A3对因变量D进行逐步回归分析。结果可得到A1、A2、A3各自对D的非标准化回归系数，设为B1、B2、B3，其值分别为：.477、.105、.103。三者可联合解释D得分变异量的25.8%（即δR方的取值）。2、统计分析二：利用Lisrel 8.7进行中介效应分析。A为外源潜变量（A1、A2、A3在模型中作为其观测指标）、D为因变量（内生潜变量），二者之间加入了中介变量M1、M2，进行链式中介分析（A→M1→M2→D）。所得模型，拟合良好。所得的路径图，是一个封闭的四边形（A到D也有一条路径，路径系数为B，其值为0.41）。【路径图见下】9 \* S9 g7 A" n6 o
注：统计分析一和统计分析二，使用的数据是同一次收回的数据库中的两个不同部分。两种统计分析的样本量相差不大。
（二）我的问题请问老师：A→D的路径系数B（0.41），比回归分析中的B1（0.477）还小，这有问题吗？B1、B2、B3，与B之间存在什么数量上的固定关系吗？
2 y" \/ d0 R1 K4 n: r1 q( d6 _
- ^3 Z9 L- W/ A
& && && && && && && && && &路径图
% d1 Q1 K# x! s' D: K: n7 u0 q" I
期待您的回复。" H& z3 A: v8 O$ _
7 @. S: M) |+ B9 d
本帖子中包含更多资源
才可以下载或查看，没有帐号？
最后登录注册时间威望250 金钱16844 贡献11936 阅读权限255积分29030日志记录帖子主题精华0好友
注册时间最后登录积分29030精华0主题帖子
A→D的路径系数B（0.41），比回归分析中的B1（0.477）还小，这有问题吗？2 N3 ?. x" ], Z
+ |) Y/ B3 z) B6 L8 A- x3 x
两个模型完全不同（模型二多了两个中介变量），如何能比较？最极端的例子，中介可以把A-&D的关系全吃光了，变成A-&D等于0 （完全中介）。
; x- w# Q; Z. F1 v, N/ ^, T
B1、B2、B3，与B之间存在什么数量上的固定关系吗？8 T; J0 H: G$ L- K, w6 [/ {
, O5 s7 Q0 [( o& C
我看不出有关系。
最后登录注册时间威望0 金钱25 贡献7 阅读权限10积分32日志记录帖子主题精华0好友
书童, 积分 32, 距离下一级还需 18 积分
注册时间最后登录积分32精华0主题帖子
Kenneth 发表于
20:18 &&C7 a+ `8 u0 F5 F
A→D的路径系数B（0.41），比回归分析中的B1（0.477）还小，这有问题吗？
两个模型完全不同（模型二多了两 ...
多谢老师。谢谢您。
最后登录注册时间威望0 金钱129 贡献99 阅读权限20积分228日志记录帖子主题精华0好友
书生, 积分 228, 距离下一级还需 272 积分
注册时间最后登录积分228精华0主题帖子
我其实也比较好奇 路径分析和回归分析所得的系数结果差别大吗？
1 Y2 A3 S3 I" w) _
2009年度勋章
2009年度勋章标准化回归系数,计算标准化回归系数,回归分析标准化系数,非标准化系数,产品标准化系数,线性回归与标准化,标准化路径系数,标准化主轴回归,scale标准化回归,工装标准化系数,偏回归系数,相关系数与回归系数,回归系数公式,线性回归系数,回归系数的意义,混凝土回归系数_知识与问答
英才用mplus进行线性回归可能对于习惯于spss的人来讲是有点多余,但是mplus处理线性...和STANDARDIZED MODEL RESULTS,前者输出一般回归系数,后者输出标准化的回归系数以及......
英线性回归分析的内容比较多,比如回归方程的拟合优度检验、回归方程的显著性检验、回归系数的显著性检验、残差分析、变量的筛选问题、变量的多重共线性问题。 2 操作见......
英回归系数表,可以看出显著水平分别为0.02和0.005,表示两者是相关的,和相关分析的表给出的结果是一致的。 步骤阅读 10 标准化残差呈现正态分布,散点在直线上或靠......
英3.00μm,氢火焰离子化FID检测器,外接HL-3000型色谱...5.3.1打开TVOC标准样品系列,用空白溶剂清洗10uL微量...Rn—回归方程的回归系数(若R&0.999,重复5.3.1~......
英看上图2 我们可以发现有针对三个因变量不同自变量的截距和回归系数以及残差的检验,这些结果正是我们想要的结果,当然假如需要得到标准化的结果,可以再上述语句中添加......
■ 24小时热门信息
看下图,找到【标准估计值】这个按钮,点击它,你就可以看到标准化的估计值 经过标准化的估计值,双向箭头上的数字表示相关系数,单向箭头上的数字表示标准化回归系数。......
采用最小二乘法求出拟合直线的待定参数,同时可以得出R的值,也就是相关系数的...下图提供的是拟合直线的得回归分析中方差、标准差等各项信息。经验内容仅供参考,......
怎样衡量多元线性回归模型的优劣,在中,求出多元线性回归模型以后,模型肯能有几个,你必须决定哪个模型更好,这时候你可能会用到下面的几个标准,通过这几个标准......
下面分别是标准化都典型相关换算系数和原始的典型相关换算系数。大概跟回归系数类似。 cannonical loading 表示指标跟其典型相关变量之间的相关系数,cross表示每个指标与......
■ 相关热门内容
参数的检验,这个表格给出了对偏回归系数和标准偏回归系数的检验,偏回归系数用于不同模型的比较,标准偏回归系数用于同一个模型的不同系数的检验,其值越大表......
使用EViews软件进行OLS估计参数,建立线性回归模型: ...弹出Equation窗口,得到参数估计结果,该窗口中包含截距项、X前面的系数,标准误差、......
如Regression Coefficients(回归系数)中的Estimates,可以输出回归系数及相关统计量,包括回归系数B、标准误、标准化回归系数BETA、T值及显著性水平等。Model fit项可......
线性回归分析的内容比较多,比如回归方程的拟合优度检验、回归方程的显著性检验、回归系数的显著性检验、残差分析、变量的筛选问题、变量的多重共线性问题。 2 操作见......
大数据SPSS分析-回归分析如要投诉,请到投诉中心,如要提出意见、建议, 请到管理吧反馈。热门杂志 第1期你不知道的iPad技巧 3404次分享 第1期win7......
分析结果。第一列Conefficients对应模型的回归系数,包括截距a和斜率b,由回归此可以建立回归模型;第二列为回归系数的标准误差,误差值越小,表明的参数的精确度越高;......
看下图,找到【标准估计值】这个按钮,点击它,你就可以看到标准化的估计值 经过标准化的估计值,双向箭头上的数字表示相关系数,单向箭头上的数字表示标准化回归系数。......
采用最小二乘法求出拟合直线的待定参数,同时可以得出R的值,也就是相关系数的...下图提供的是拟合直线的得回归分析中方差、标准差等各项信息。经验内容仅供参考,......
■ 热门推荐下次自动登录
现在的位置:
& 综合 & 正文
使用SPSS进行多元回归分析
比用matlab简单。
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。可以建立因变量与各自变量j(j=1,2,3,…,n)之间的多元线性回归模型：
其中：0是回归常数；k(=1,2,3,…,n)是回归参数；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；1为最多连续10天诱蛾量(头)；2为4月上、中旬百束小谷草把累计落卵量(块)；3为4月中旬降水量(毫米)，4为4月中旬雨日(天)；预报一代粘虫幼虫发生量（头/m2）。分级别数值列成表2-1。
预报量：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：1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；2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；3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；4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。
数据保存在“”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”、“x3”、“x4”和“y”，它们对应的分级数值可以在SPSS数据编辑窗口中通过计算产生。编辑后的数据显示如图2-1。
或者打开已存在的数据文件“”。
2）启动线性回归过程
单击SPSS主菜单的“Analyze”下的“Regression”中“Linear”项，将打开如图2-2所示的线性回归过程窗口。
图2-2 线性回归对话窗口
3) 设置分析变量
设置因变量：用鼠标选中左边变量列表中的“幼虫密度[y]”变量，然后点击“Dependent”栏左边的向右拉按钮，该变量就移到“Dependent”因变量显示栏里。
设置自变量：将左边变量列表中的“蛾量[x1]”、“卵量[x2]”、“降水量[x3]”、“雨日[x4]”变量，选移到“Independent(S)”自变量显示栏里。
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，因此不作任何设置。
4）回归方式
本例子中的4个预报因子变量是经过相关系数法选取出来的，在回归分析时不做筛选。因此在“Method”框中选中“Enter”选项，建立全回归模型。
5）设置输出统计量
单击“Statistics”按钮，将打开如图2-3所示的对话框。该对话框用于设置相关参数。其中各项的意义分别为：
图2-3 “Statistics”对话框
①“Regression Coefficients”回归系数选项：
“Estimates”输出回归系数和相关统计量。
“Confidence interval”回归系数的95%置信区间。
“Covariance
matrix”回归系数的方差-协方差矩阵。
本例子选择“Estimates”输出回归系数和相关统计量。
②“Residuals”残差选项：
“Durbin-Watson”Durbin-Watson检验。
“Casewise diagnostic”输出满足选择条件的观测量的相关信息。选择该项，下面两项处于可选状态：
“Outliers outside standard
deviations”选择标准化残差的绝对值大于输入值的观测量；
“All cases”选择所有观测量。
本例子都不选。
③ 其它输入选项
fit”输出相关系数、相关系数平方、调整系数、估计标准误、ANOVA表。
“R squared change”输出由于加入和剔除变量而引起的复相关系数平方的变化。
“Descriptives”输出变量矩阵、标准差和相关系数单侧显著性水平矩阵。
“Part and partial correlation”相关系数和偏相关系数。
“Collinearity diagnostics”显示单个变量和共线性分析的公差。
本例子选择“Model fit”项。
6）绘图选项
在主对话框单击“Plots”按钮，将打开如图2-4所示的对话框窗口。该对话框用于设置要绘制的图形的参数。图中的“X”和“Y”框用于选择X轴和Y轴相应的变量。
图2-4“Plots”绘图对话框窗口
左上框中各项的意义分别为：
“DEPENDNT”因变量。
“ZPRED”标准化预测值。
“ZRESID”标准化残差。
“DRESID”删除残差。
“ADJPRED”调节预测值。
“SRESID”学生氏化残差。
“SDRESID”学生氏化删除残差。
“Standardized Residual Plots”设置各变量的标准化残差图形输出。其中共包含两个选项：
“Histogram”用直方图显示标准化残差。
“Normal probability plots”比较标准化残差与正态残差的分布示意图。
“Produce all partial plot”偏残差图。对每一个自变量生成其残差对因变量残差的散点图。
本例子不作绘图，不选择。
7) 保存分析数据的选项
在主对话框里单击“Save”按钮，将打开如图2-5所示的对话框。
图2-5 “Save”对话框
①“Predicted Values”预测值栏选项：
Unstandardized
非标准化预测值。就会在当前数据文件中新添加一个以字符“PRE_”开头命名的变量，存放根据回
归模型拟合的预测值。
Standardized 标准化预测值。
Adjusted 调整后预测值。
S.E. of mean predictions 预测值的标准误。
本例选中“Unstandardized”非标准化预测值。
②“Distances”距离栏选项：
Mahalanobis:
Cook’s”: Cook距离。
Leverage values: 杠杆值。
③“Prediction Intervals”预测区间选项：
区间的中心位置。
Individual: 观测量上限和下限的预测区间。在当前数据文件中新添加一个以字符“LICI_”开头命名的变量，存放
预测区间下限值；以字符“UICI_”开头命名的变量，存放预测区间上限值。
Confidence Interval：置信度。
本例不选。
④“Save to New File”保存为新文件：
选中“Coefficient statistics”项将回归系数保存到指定的文件中。本例不选。
⑤ “Export model information to XML file” 导出统计过程中的回归模型信息到指定文件。本例不选。
⑥“Residuals” 保存残差选项：
“Unstandardized”非标准化残差。
“Standardized”标准化残差。
“Studentized”学生氏化残差。
“Deleted”删除残差。
“Studentized deleted”学生氏化删除残差。
本例不选。
⑦“Influence Statistics” 统计量的影响。
“DfBeta(s)”删除一个特定的观测值所引起的回归系数的变化。
“Standardized DfBeta(s)”标准化的DfBeta值。
“DiFit” 删除一个特定的观测值所引起的预测值的变化。
“Standardized DiFit”标准化的DiFit值。
“Covariance ratio”删除一个观测值后的协方差矩隈的行列式和带有全部观测值的协方差矩阵的行列式的比率。
本例子不保存任何分析变量，不选择。
8）其它选项
在主对话框里单击“Options”按钮，将打开如图2-6所示的对话框。
图2-6 “Options”设置对话框
①“Stepping Method Criteria”框用于进行逐步回归时内部数值的设定。其中各项为：
probability of F”如果一个变量的F值的概率小于所设置的进入值（Entry），那么这个变量将被选入回归方程
中；当变量的F值的概率大于设置的剔除值（Removal），则该变量将从回归方程中被剔除。由此可见，设置
“Use probability of F”时，应使进入值小于剔除值。
F value”如果一个变量的F值大于所设置的进入值（Entry），那么这个变量将被选入回归方程中；当变量的
F值小于设置的剔除值（Removal），则该变量将从回归方程中被剔除。同时，设置“Use F value”时，应使进
入值大于剔除值。
本例是全回归不设置。
②“Include constant in equation”选择此项表示在回归方程中有常数项。
本例选中“Include constant in equation”选项在回归方程中保留常数项。
③“Missing Values”框用于设置对缺失值的处理方法。其中各项为：
cases listwise”剔除所有含有缺失值的观测值。
“Exchude cases pairwise”仅剔除参与统计分析计算的变量中含有缺失值的观测量。
“Replace with mean”用变量的均值取代缺失值。
本例选中“Exclude cases listwise”。
9）提交执行
在主对话框里单击“OK”，提交执行，结果将显示在输出窗口中。主要结果见表2-2至表2-4。
10) 结果分析
表2-2 是回归模型统计量：R 是相关系数；R Square 相关系数的平方，又称判定系数，判定线性回归的拟合程度：用来说明用自变量解释因变量变异的程度（所占比例）；Adjusted R Square 调整后的判定系数；Std. Error of the Estimate 估计标准误差。
表2-3 回归模型的方差分析表，F值为10.930，显著性概率是0.001，表明回归极显著。
建立回归模型：
根据多元回归模型：
把表6-9中“非标准化回归系数”栏目中的“B”列系数代入上式得预报方程：
预测值的标准差可用剩余均方估计：
回归方程的显著性检验：
从表6-8方差分析表中得知：F统计量为10.93，系统自动检验的显著性水平为0.001。
F(0.05,4,11)值为3.36，F(0.01,4,11) 值为5.67，F(0.001,4,11) 值为10.35。因此回归方程相关非常显著。（F值可在Excel中用FINV(
)函数获得）。
需要作预报效果的验证时，在主对话框（图6-8）里单击“Save”按钮，在打开如图3-6所示对话框里，选中“Predicted Values”预测值选项栏中的“Unstandardized”非标准化预测值选项。这样在过程运算时，就会在当前文件中新添加一个“PRE_1”命名的变量，该变量存放根据回归模型拟合的预测值。
然后，在SPSS数据窗口计算“y”与“PRE_1”变量的差值(图2-7)，本例子把绝对差值大于0.8视为不符合，反之则符合。结果符合的年数为15年，1年不符合，历史符合率为93.75%。
多元回归分析法可综合多个预报因子的作用，作出预报，在统计预报中是一种应用较为普遍的方法。
在实际运用中，采取将预报因子和预报量按一定标准分为多级，用分级尺度代换较大的数字，更能揭示预报因子与预报量的关系，预报效果比采用数量值统计方法有明显的提高，在实际应用中具有一定的现实意义。
转自：.cn/s/blog_5e2e8aa70100lwe4.html
&&&&推荐文章:
【上篇】【下篇】标准化与非标准化系数_中华文本库
第1页/共1页
spss进行线性回归，得到的系数结果有标准化和非标准化：
一般采用非标准化的回归系数。
两者的主要区别有：
1. 标准化是去除量纲的
2. 标准化回归系数体现了变量间的相对重要性，而且与自变量的离散程度有关，如果其波动程度较大，那么就会显得比较重要；否则，就显得不太重要。标准化回归系数正是用于检测这种重
3. 标准化回归系数的比较结果，只适用于某一特定环境，而不是绝对正确的，它可能因时因地
而变化。因而称标准化的系数是相对的，而非标准化的系数则是绝对的。
当需要比较多个自变量对因变量相对作用大小时，可采用标准化回归系数，当只是想解释自变量
对因变量的作用时，可采用非标准化的回归系数。
标准化的常数项是没有值的，因此，标准化的回归系数不能用于回归方程。
标准化的回归系数只是用于自变量间进行比较。
回归系数为0.000, 同时，显著性为0.000
SPSS默认显示至小数点后3位，因此当数字小于1/1000时就只能显示0.000了。所以这种情况并不代表这个数字为0，而是表示它小于1/1000。要想显示完整数字，可以采取以下两个方
法中的任意一个：
方法1：双击表格，然后双击显示0.000的格子，你应该可以看到完整数字。如果由于格子的宽度不够而仍然看不到完整数字，你可以点击右键后选择复制，粘贴至WORD等软件中都可以看
到完整数字。
方法2：双击表格，右键点击显示0.000的格子，选择cell properties（格子属性），在decimals（小数点）项上增加小数点位数至你所需要的位数。注意，如果你增加的小数点位数较多，而格子又不够宽，此时就会显示×××××。你只需要重新双击表格，然后双击显示×××××的格子，然后
拖动格子的边框加宽格子的宽度就可以了。
这种情况并不意味着这个因素的影响非常的小。事实上，由于这个因素的显著性为0.006，这表明该因素是有意义的。出现这种情况是由于普通的回归系数受到自变量和因变量数值大小的影响。比如，如果你的自变量的测量单位是“吨”，假如将它改为“公斤”，那么自变量的数值将扩大
1000倍，此时回归系数将变成原来的1/1000。
要避免以上情况，你可以参考SPSS提供的标准化回归系数，这个系数无论自变量和因变量采
用什么单位都不会改变，你可以参考它来评价。
但二元逻辑回归不提供标准化回归系数，只有线性回归才有。不过上面的解释仍然有效，也就是
回归系数的大小不能作为评价效应大小的标准，应该以显著性作为评价标准。
第1页/共1页
寻找更多 ""}