用SPSS做线性回归跟用EXCEL做拟合,哪个更准确

Question

浓度
2.515.0210.0420.0840.1680.32160.64

峰面积
38.889.7150.1298.5589.91185.12280.9

问题：1、excel和spss的回归所得的回归系数一样的，但是，“模型汇总”中所得的r方为1，这与excel的结果（0.997）有差别，这是什么原因导致的？ 2、在“系数”中，常量的 sig = 0.117 > 0.05 理论上应该拒绝常量项，但是excel回归出的方程一般都是比较准确的，去掉常量会影响计算结果的，这作何解释？ 3、excel的线性回归方程准确，还是spss准确？

Answer 1

1.spss在我们学统计的看来，是一种比较方便的软件，他没有太复杂的操作过程，从而给出我们想要的结果，这样造成的结果就是结果上面略微粗糙。像excel中的0.997这样的数据结果，它会自动四舍五入默认为1.000。
excel做拟合更多的我们应用于预测与决策中，这其中又分成了好多种方法，还有阻尼系数的影响等等，我们本身很少用excel做回归分析。
我建议楼主再试试eviews，他是计量经济学软件，用于计算一元线性回归和多元闲情回归，可以很方便的计算，给出的结果一般会到小数点后六位。
2.常数项是必须保留的，本身回归方程中就必须有常数项啊，不管是一元的还是多元的都必须有常数项！
3.若说准确的话，我还是认为eviews最准确。我本来想用楼主的数据做一份的，但是因为楼主你的数据断开的有问题，不能确定怎么断，故而只能那我给别人做的题为例。
例： X 0.00/0.10/0.20/0.30/0.40/0.50/0.60
Y 0.037/0.097/0.125/0.138/0.205/0.229/0.275
运行结果如下：
Dependent Variable: Y
Method: Least Squares
Date: 10/14/12 Time: 11:02
Sample(adjusted): 1901 1906
Included observations: 6 after adjusting endpoints
Y=C(1)+C(2)*X

Coefficient Std. Error t-Statistic Prob.

C(1) 0.045857 0.010158 4.514430 0.0107
C(2) 0.370571 0.033550 11.04520 0.0004

R-squared 0.968253 Mean dependent var 0.138500
Adjusted R-squared 0.960316 S.D. dependent var 0.070455
S.E. of regression 0.014035 Akaike info criterion -5.433301
Sum squared resid 0.000788 Schwarz criterion -5.502714
Log likelihood 18.29990 Durbin-Watson stat 2.860888
==================================
Y=C(1)+C(2)*X 这个就是回归方程的模型了，你把C(1)和C(2)的结果带进去就好了。
这组数据的回归方程应该是Y=0.045857+0.370571X

Answer 2

1.r方为1，这与excel的结果（0.997）无区别，是近似值。它们相差0.003，才是0.3%。
2.在“系数”中，常量的 sig 无论大小，不能拒绝常量项。也就是说常数项必须保留。
3.excel的线性回归方程准确，还是spss准确的问题，应该说都很准确。excel不是专业的统计分析软件，spss是专业的，但是线性回归分析对它们来说都是小菜一碟。

追问

如图，得出的系数中，有个标准化和非标准化系数，写回归方程的时候用哪个系数？它们之间有什么区别？分别有什么意义？

 

还有，上面的那个系数图，未标准化的系数是14.197，而标准化后怎么变成1了，差别很大啊！？

追答

写回归方程的时候用非标准化系数
区别和意义 你在网上搜索吧 有很好的解释的

Answer 3

应该是不拒绝常量项吧
原理也是一样的