剩余采食量计算方法及回归分析

RFI:计算公式参照 Aggrey 等(2010)模型(Aggrey et al. 2010)。

RFI=FI-[a+b1*BW0.75+b2*BWG]

公式中，RFI 为剩余采食量，FI为采食量，a为截距，BW0.75为代谢体重，BWG为体增重，b1、b2 为代谢体重和体增重关于采食量的偏回归系数。

关于a\b1\b2采用SPSS线性拟合函数进行计算：

在SPSS中，偏回归系数是指在多元回归分析中，衡量自变量对因变量的影响程度的系数。具体而言，偏回归系数表示当其他自变量保持不变时，某个自变量对因变量的影响的变化量，

SPSS的多元回归分析输出结果中，列出了每个自变量的偏回归系数。偏回归系数通常被标记为"B"或"Beta"，代表了自变量单位变化对因变量的影响。偏回归系数的正负值表示自变量对因变量的正向或负向影响，而数值的大小表示影响的强度。

通常，偏回归系数还伴随有一个标准误差，用来衡量该系数的抽样误差。标准误差越小，表示该系数的估计越精确可靠除了偏回归系数，SPSS的多元回归分析还提供了其他相关统计指标，例如:截距项(指当所有自变量为0时，因变量的预测值)、显著性水平(表示自变量对因变量的影响是否县有统计显著性)、回归模型的拟合优度等，这些指标可以帮助我们更全面地理解自变量对因变量的影响。

综上所述，偏回归系数是SPSS中多元回归分析结果中衡量自变量对因变量影响的指标之一，它提供了自变量单位变化对因变量影响的大小和方向。操作流程如下：

（一）简单线性回归

一个自变量

1.根据预测目标，确定自变量和因变量

广告费用’作为自变量，‘销售额’作为因变量，评估广告对销售额的具体影响

2.绘制散点图确定相关性

相关系数为0.816，为高度正向相关关系

3.估计模型参数，建立线性回归模型

【分析】【回归】【线性】，变量移至对应的因变量自变量

【统计】，勾选【回归系数框】，作用是估计出回归系数；勾选【模型拟合】，作用是输出判定系数 R²

【选项】勾选【在方程中包括常量】，作用是拟合出直线的截距 a

【确定】输出四张表

4.对回归模型进行检验

第二列为相关系数 r 为 0.816，高度正相关，与前面分析结果一致；第三列 R 方位判定系数，用于表示拟合得到的模型能解释因变量变化的百分比，越接近 1，表示模型效果越好；第四列修正因自变量的个数的增加而导致模型拟合效果过高的情况，用于衡量多重线性回归；最后一列，其大小反应了建立的模型预测因变量时的精度，越小，说明模型拟合效果越好。

线性回归方差分析表，，主要作用是通过 F 检验来判断回归模型的回归效果，即检验因变量与所有自变量之间的线性关系是否显著，用线性模型来描述他们之间的关系型是否恰当

平方和（SS），自由度（df），均方（MS），F（F统计量），显著性（P值），一般只需关注 F 和 P，0.01 < p <= 0.05 ，具有统计学意义，p <= 0.01 具有极其显著的统计学意义

第一列为回归模型的常量与自变量 x

第二列的 B 为常量 a（截距），回归系数 b（斜率），回归模型 y = 377 + 14.475x

5.利用回归模型进行预测

预测数据较多时，可以在【线性回归】对话框中，单击【保存】按钮，勾选【未标转化】，新增了一列‘PRE_1’的预测变量

（二）多重线性回归

1.根据预测目标确定自变量因变量

广告费用’‘客流量’作为自变量，‘销售额’因变量

2.绘制散点图，确定回归模型

【矩阵散点图】

3.估计模型参数，建立线性回归模型

【分析】【回归】【线性】，‘客流量’放入自变量，5中自变量步进方法

【输入】：强制将所选择的自变量纳入回归模型中

【步进】：将自变量逐个引入模型并进行统计显著性检验，直至再也没有不显著的自变量从回归模型中剔除为止

【除去】：根据设定条件，直接剔除一部分自变量

【后退】：根据设定条件，每次剔除一个自变量直至不能剔除

【前进】：根据设定条件，每次纳入一个自变量直至无法继续纳入

简单回归只有一个自变量，仅能采用【输入】

多重线性回归，采用【步进】，是【后退】与【前进】的集合

4.模型检测

第三列‘除去的变量’，因为采用的是【输入】，全部纳入模型中，没有移除变量，所以为空

标转化系数分别为 0.407,0.499 也就是说，客流量对销售额的影响要大于广告费用对销售额的影响

5.利用回归模型进行预测

和简单线性回归一样