为了找出color、rarity、flower number、type of species对price的影响，由此，price为因变量，color、rarity、flower number、type 为自变量。
研究自变量对因变量的影响，可以选用的方法有两种，一种是传统的线性回归模型OLS，另一种是广义线性模型GLM（Generalized Linear Model）。传统模型（OLS）要求因变量服从正态分布，广义线性模型（GLM）则适用的范围更广，不要求因变量一定服从正态分布，并且方差也可以不稳定。
第一步：考察因变量price的分布类型。
基于以上的分析，为了判断应该适用OLS还是使用GLM。需要先对因变量price的分布状况进行分析。首先，检验因变量price是否服从正态分布，检验的结果如下：
Table 1 Tests of Normality
|
|
Kolmogorov-Smirnova |
Shapiro-Wilk |
||||
|
|
Statistic |
df |
Sig. |
Statistic |
df |
Sig. |
|
Price |
.149 |
156 |
.000 |
.818 |
156 |
.000 |
|
a. Lilliefors Significance Correction |
||||||
上表是正态性检验的结果，K-S检验和S-W检验的SIG.全部小于0.05.由此可以知道，因变量price不服从正态分布。因此，研究color、rarity、flower number、type of species对price的影响不能选用传统线性模型（OLS）分析，必须选用GLM模型。
通过price不服从正态分布这一结论，得出必须选用GLM模型之后，还需要进一步找出因变量price到底服从哪种分布。经过尝试，得出因变量price服从Gamma分布。
第二步：GLM分析
确定选用GLM模型和因变量price是服从Gamma分布的，进行GLM分析，结果如下：
Table 2
|
Case Processing Summary |
||
|
|
N |
Percent |
|
Included |
156 |
100.0% |
|
Excluded |
0 |
0.0% |
|
Total |
156 |
100.0% |
上表的结果陈述了，参与分析的案例个数为156。
Table 3
|
Categorical Variable Information |
||||
|
|
N |
Percent |
||
|
Factor |
Color |
Green |
30 |
19.2% |
|
Red |
30 |
19.2% |
||
|
White |
29 |
18.6% |
||
|
Black |
30 |
19.2% |
||
|
Yellow |
22 |
14.1% |
||
|
Blue |
15 |
9.6% |
||
|
Total |
156 |
100.0% |
||
|
Rarity |
Rare |
83 |
53.2% |
|
|
Commom |
73 |
46.8% |
||
|
Total |
156 |
100.0% |
||
|
FlowerNumber |
Single flower |
72 |
46.2% |
|
|
Multiple flowers |
84 |
53.8% |
||
|
Total |
156 |
100.0% |
||
|
TypeofSpecies |
Native species |
61 |
39.1% |
|
|
First generation hybrids |
42 |
26.9% |
||
|
Complex hybrids |
53 |
34.0% |
||
|
Total |
156 |
100.0% |
||
上表的结果展现了4个自变量中每个类别的选择的人数及其占比。
Table 4
|
Goodness of Fita |
|||
|
|
Value |
df |
Value/df |
|
Deviance |
68.838 |
146 |
.471 |
|
Scaled Deviance |
166.574 |
146 |
|
|
Pearson Chi-Square |
68.353 |
146 |
.468 |
|
Scaled Pearson Chi-Square |
165.400 |
146 |
|
|
Log Likelihoodb |
-767.832 |
|
|
|
Akaike's Information Criterion (AIC) |
1557.665 |
|
|
|
Finite Sample Corrected AIC (AICC) |
1559.498 |
|
|
|
Bayesian Information Criterion (BIC) |
1591.213 |
|
|
|
Consistent AIC (CAIC) |
1602.213 |
|
|
|
Dependent Variable: Price Model: (Intercept), Color, Rarity, FlowerNumber, TypeofSpecies |
|||
|
a. Information criteria are in small-is-better form. |
|||
|
b. The full log likelihood function is displayed and used in computing information criteria. |
|||
上表是GLM模型的拟合优度分析结果，拟合优度分析是用于反映模型总体上对数据信息的表达是否充分。Deviance拟合优度检验法和Pearson Chi-Square拟合优度检验法计算出的显著性水平分别为0.471和0.468，均大于0.05，由此可以知道，模型的拟合情况良好，即模型能够比较真实可靠地反映出数据。
来CDA学业务数据分析师，SPSS理论结合实战进行项目数据分析，助你成为从事数据采集、清洗、处理、分析并能制作业务报告、提供决策的新型数据分析人才，点击了解课程详情！
数据分析咨询请扫描二维码
若不方便扫码，搜微信号：CDAshujufenxi
CDA一级知识点汇总手册 第三章 商业数据分析框架考点27：商业数据分析体系的核心逻辑——BSC五视角框架考点28：战略视角考点29： ...
2026-02-20CDA一级知识点汇总手册 第二章 数据分析方法考点7：基础范式的核心逻辑（本体论与流程化）考点8：分类分析（本体论核心应用）考 ...
2026-02-18第一章：数据分析思维考点1：UVCA时代的特点考点2：数据分析背后的逻辑思维方法论考点3：流程化企业的数据分析需求考点4：企业数 ...
2026-02-16在数据分析、业务决策、科学研究等领域，统计模型是连接原始数据与业务价值的核心工具——它通过对数据的规律提炼、变量关联分析 ...
2026-02-14在SQL查询实操中，SELECT * 与 SELECT 字段1, 字段2,...（指定个别字段）是最常用的两种查询方式。很多开发者在日常开发中，为了 ...
2026-02-14对CDA（Certified Data Analyst）数据分析师而言，数据分析的核心不是孤立解读单个指标数值，而是构建一套科学、完整、贴合业务 ...
2026-02-14在Power BI实操中，函数是实现数据清洗、建模计算、可视化呈现的核心工具——无论是简单的数据筛选、异常值处理，还是复杂的度量 ...
2026-02-13在互联网运营、产品迭代、用户增长等工作中，“留存率”是衡量产品核心价值、用户粘性的核心指标——而次日留存率，作为留存率体 ...
2026-02-13对CDA（Certified Data Analyst）数据分析师而言，指标是贯穿工作全流程的核心载体，更是连接原始数据与业务洞察的关键桥梁。CDA ...
2026-02-13在机器学习建模实操中，“特征选择”是提升模型性能、简化模型复杂度、解读数据逻辑的核心步骤——而随机森林（Random Forest） ...
2026-02-12在MySQL数据查询实操中，按日期分组统计是高频需求——比如统计每日用户登录量、每日订单量、每日销售额，需要按日期分组展示， ...
2026-02-12对CDA（Certified Data Analyst）数据分析师而言，描述性统计是贯穿实操全流程的核心基础，更是从“原始数据”到“初步洞察”的 ...
2026-02-12备考CDA的小伙伴，专属宠粉福利来啦！ 不用拼运气抽奖，不用复杂操作，只要转发CDA真题海报到朋友圈集赞，就能免费抱走实用好礼 ...
2026-02-11在数据科学、机器学习实操中，Anaconda是必备工具——它集成了Python解释器、conda包管理器，能快速搭建独立的虚拟环境，便捷安 ...
2026-02-11在Tableau数据可视化实操中，多表连接是高频操作——无论是将“产品表”与“销量表”连接分析产品销量，还是将“用户表”与“消 ...
2026-02-11在CDA（Certified Data Analyst）数据分析师的实操体系中，统计基本概念是不可或缺的核心根基，更是连接原始数据与业务洞察的关 ...
2026-02-11在数字经济飞速发展的今天，数据已成为核心生产要素，渗透到企业运营、民生服务、科技研发等各个领域。从个人手机里的浏览记录、 ...
2026-02-10在数据分析、实验研究中，我们经常会遇到小样本配对数据的差异检验场景——比如同一组受试者用药前后的指标对比、配对分组的两组 ...
2026-02-10在结构化数据分析领域，透视分析（Pivot Analysis）是CDA（Certified Data Analyst）数据分析师最常用、最高效的核心实操方法之 ...
2026-02-10在SQL数据库实操中，字段类型的合理设置是保证数据运算、统计准确性的基础。日常开发或数据分析时，我们常会遇到这样的问题：数 ...
2026-02-09
京公网安备 11010802034615号
经营许可证编号：京B2-20210330
