Выполнение.

В начале работы создадим файл с данными как показано на рис. 2.4.1.

 

 

Рис. 2.4.1. Фрагмент файла данных

 

В пакете SPSS для корреляционного анализа есть раздел «Корреляция в меню. Анализ».

Для более наглядного представления имеющихся данных построим график зависимости «Затраты на рекламу – объем продаж» в виде диаграммы рассеяния.

· Выберем в меню Graphs (Визуализация) Scatter–Dot (Разброс/точка), откроется диалоговое окно Scatter–Dot (Разброс/точка) (рис. 2.4.2).

 

 

Рис. 2.4.2. Диалоговое окно Scatter–Dot (Разброс/точка)

 

· В диалоговом окне Scatter–Dot (Разброс/точка) щёлкнем на области Simple Scatter (Простой разброс).

· Щелчком по выключателю Define (Определить) откроем соответствующее диалоговое окно (рис. 2.4.3).

· Отобразим объем продаж в зависимости от затрат на рекламу, поэтому переменную объемы_продаж из списка исходных переменных перенесем в поле оси Y, а переменную затраты_на_рекламу – в поле оси X. И начнем построение диаграммы щелчком на ОК.

Результатом выполнения вышеуказанных команд будет следующий график (рис. 2.4.4).

 

 

Рис. 2.4.3. Вид окна Simple Scatterplot (Простой график рассеяния).

 

 

Рис. 2.4.4. Простой график рассеивания

 

Теперь определим основные корреляционные показатели.

Для этого в меню Анализ выбираем Корреляция – Двумерный.

Далее появится диалоговое окно (рис. 2.4.5).

 

 

Рис. 2.4.5. Диалоговое окно «Двумерная корреляция»

 

Далее получаем следующий вывод (рис.2.4.6).

Регрессионный анализ служит для определения вида связи между переменными и дает возможность для прогнозирования значения одной (зависимой) переменной отталкиваясь от значения другой (независимой) переменной.

В пакете SPSS для этой цели имеется раздел Regression (Регрессия) (меню Analyze (Анализ)), который предоставляет пользователю широкий набор процедур регрессионного анализа.

Каждая процедура имеет модель регрессии, которая соотносит зависимую переменную с независимой переменной (или множеством независимых переменных).

Простая линейная регрессия лучше всего подходит для того, чтобы продемонстрировать основополагающие принципы регрессионного анализа.

По виду получившейся диаграммы рассеяния можно предположить о наличии линейной зависимости между исследуемыми показателями.

Описательные статистики

	Среднее	Стд. отклонение	N
затраты_на_рекламу	24,7000	11,37297
объем_продаж	450,6000	32,63332

Корреляции(a)

		затраты_на_рекламу	объем_продаж
затраты_на_рекламу	Корреляция Пирсона		,983(**)
	Знч.(1–сторон)		,000
объем_продаж	Корреляция Пирсона	,983(**)
	Знч.(1–сторон)	,000

** Корреляция значима на уровне 0.01 (1–сторон.).

a Искл. целиком N=10

 

Корреляции(a)

 

		затраты_на_рекламу	объем_ продаж
тау–b Кендалла	затраты_на_рекламу	Коэффициент корреляции	1,000	,956(**)
		Знч. (1–сторон)	.	,000
	объем_продаж	Коэффициент корреляции	,956(**)	1,000
		Знч. (1–сторон)	,000	.
ро Спирмена	затраты_на_рекламу	Коэффициент корреляции	1,000	,988(**)
		Знч. (1–сторон)	.	,000
	объем_продаж	Коэффициент корреляции	,988(**)	1,000
		Знч. (1–сторон)	,000	.

** Корреляция значима на уровне 0.01 (1–сторонняя).

a Искл. целиком N = 10

 

Рис. 2.4.6. Вывод корреляций

 

Перейдем к построению регрессионной зависимости между показателями.

· Выберем в меню Analyze (Анализ) Regression (Регрессия) Linear (Линейная). Появится диалоговое окно Linear Regression (Линейная регрессия) (рис. 2.4.7).

 

 

Рис. 2.4.7. Вид диалогового окна Linear Regression (Линейная регрессия)

 

· Перенесем переменную объемы_продаж в поле для зависимых переменных и присвоим переменной затраты_на_рекламу статус независимой переменной.

· Ничего больше не меняя, начните расчёт нажатием ОК.

Вывод основных результатов выглядит следующим образом (рис. 2.4.8).

Во второй таблице дается заключение о соответствии модели исходным данным, а именно приводится коэффициент детерминации, который характеризует качество получившейся модели.

В третьей таблице приведены величины, которые отражают два источника дисперсии: дисперсию, которая описывается уравнением регрессии (сумма квадратов, обусловленная регрессией) и дисперсию, которая не учитывается при записи уравнения (остаточная сумма квадратов). Также приведено значение F –критерия Фишера.

В последней таблице выводятся коэффициент регрессии b и смещение по оси ординат а под именем «константа».

То есть, уравнение регрессии выглядит следующим образом:

,

где показатель «Объемы продаж», показатель «Затраты на рекламу».

 

Включенные/исключенные переменные(b)

 

Модель	Включенные переменные	Исключенные переменные	Метод
	затраты_на_рекламу(a)	.	Принудительное включение

a Включены все запрошенные переменные

b Зависимая переменная: объем_продаж

 

Сводка для модели

 

Модель	R	R квадрат	Скорректированный R квадрат	Стд. ошибка оценки
		,983(a)	,966	,962	6,39137

a Предикторы: (константа) затраты_на_рекламу

 

Дисперсионный анализ (b)

 

Модель

Сумма квадратов

ст.св.

Средний квадрат

F

Знч.

Регрессия

9257,603

9257,603

226,627

,000(a)

Остаток

326,797

40,850

Итого

9584,400

a Предикторы: (константа) затраты_на_рекламу

b Зависимая переменная: объем_продаж

 

 

Коэффициенты(a)

 

Модель	Нестандартизованные коэффициенты	Станд. коэфф.	t	Знч.
	B	Стд. ошибка	Бета
	(Константа)	380,945	5,049		75,448	,000
	затраты_на_рекламу	2,820	,187	,983	15,054	,000

a Зависимая переменная: объем_продаж

 

Рис. 2.4.8. Результат выполнения процедуры Analyze – Regression – Linear