% of Total 7.5万及以上 Count % within 年收入水平 % within 满意度 % of Total Total Count % within 年收入水平 % within 满意度 % of Total 6.1% 68 48.9% 53.1% 18.9% 128 35.7% 3.6% 36 25.9% 44.4% 10.0% 81 22.6% 7.8% 35 17.5% 139 25.2% 100.0% 23.3% 9.7% 150 38.7% 38.7% 359 41.8% 100.0% 100.0% 100.0% 100.0% 100.0% 35.7% 22.6% 41.8% 100.0% 根据线性相关卡方检验可知，概率p值小于0.05，应拒绝零假设，则认为文化程度，年收入水平，满意度变量之间具有线性相关性。

3.1.3 分组计算概率

（1）将年收入水平和学历转化为间距型数据：年收入水平根据各组的组中值，将“2.5万以下”“2.5～5万”“5～7.5万”“7.5万以上”转化为“1.25万”“3.75万”“6.25万”“8.75万”；文化程度根据受教育年限，分别转化为“9年”“12年”“15年”“16年”“18年”；

（2）根据3.1.2中的列联表，结合上述的收入，学历转化结果，分成了20个组； （3） 分别计算每个组的满意，不满意，态度中立人数的比例，为p1,p2,p3； 结果如下：

处理后的数据：

态年收序入元） 号 （万受教育年限（年） 满意人数 度中立人数 1 1.25 2 3.75 3 6.25 4 8.75 5 1.25 6 3.75 7 6.25 8 8.75 9 1.25 10 3.75 11 6.25 9 9 9 9 12 12 12 12 15 15 15 88 不满意人数 总人数 P1 P2 P3 logP1/ P3 logP2/ P3 PRE1 PRE2 74 160 322 0.2733 0.2298 0.4969 -0.5978 -0.7711 -0.4894 -0.7608 229 124 184 537 0.4264 0.2309 0.3426 0.2188 -0.3947 0.2815 -0.3431 142 225 95 41 52 41 224 0.6339 0.1830 0.1830 1.2423 0.0000 1.0525 0.0747 30 307 0.7329 0.1694 0.0977 2.0149 0.5500 1.8235 0.4925 74 209 378 0.2513 0.1958 0.5529 -0.7885 -1.0383 -0.8687 -0.9734 251 170 309 730 0.3438 0.2329 0.4233 -0.2079 -0.5975 -0.0977 -0.5556 149 336 41 87 95 90 326 0.4571 0.2669 0.2761 0.5041 -0.0339 0.6732 -0.1378 71 502 0.6693 0.1892 0.1414 1.5544 0.2912 1.4442 0.2800 55 145 241 0.1701 0.2282 0.6017 -1.2632 -0.9694 -1.2479 -1.1859 140 124 247 511 0.2740 0.2427 0.4834 -0.5677 -0.6891 -0.4770 -0.7681 98 60 90 248 0.3952 0.2419 0.3629 0.0852 -0.4055 0.2940 -0.3503 9

12 8.75 13 1.25 14 3.75 15 6.25 16 8.75 17 1.25 18 3.75 19 6.25 20 8.75 15 16 16 16 16 18 18 18 18 231 25 132 96 224 9 29 22 68 73 56 360 0.6417 0.2028 0.1556 1.4171 0.2651 1.0649 0.0674 42 129 196 0.1276 0.2143 0.6582 -1.6409 -1.1221 -1.3744 -1.2568 97 261 490 0.2694 0.1980 0.5327 -0.6817 -0.9898 -0.6034 -0.8390 60 103 259 0.3707 0.2317 0.3977 -0.0704 -0.5404 0.1676 -0.4212 84 102 410 0.5463 0.2049 0.2488 0.7867 -0.1942 0.9385 -0.0034 5 27 13 36 23 37 0.2432 0.1351 0.6216 -0.9383 -1.5261 -1.6272 -1.3984 64 120 0.2417 0.2250 0.5333 -0.7916 -0.8630 -0.8562 -0.9807 28 63 0.3492 0.2063 0.4444 -0.2412 -0.7673 -0.0853 -0.5629 35 139 0.4892 0.2590 0.2518 0.6642 0.0282 0.6857 -0.1451

3.1.4 模型构建及分析

（1）设居民对生活满意度评价为满意、态度中立、不满意的概率分别为p1,p2,p3，以对生活不满意P3为参照水平，计算logP1/P3，logp2/p3； （2）选择菜单Analyze－Regression－Linear；

（2）分别选择被解释变量（logP1/P3）（logp2/p3）和解释变量（年收入，受教育年限）到对应框中；

（3）在Method框中，选择Enter方法；在Statistics框中，选择Estimates、Model fit、Covariancematrix、Collinearity diagnostics选项；在Plots框中，选择ZRESED到Y框，ZPRED到X框，再选择Histogram和Normal plot； 在save框中，选择Unstandardized; 结果如下： logP1/P3和年收入，受教育年限结果：表一 Model Summary Change Statistics Model 1 R .974 abR Square .948 Adjusted R Std. Error of R Square Square .942 the Estimate .24061 Change F Change df1 2 df2 17 Sig. F Change .000 .948 155.941 a. Predictors: (Constant), 受教育年限（年）, 年收入（万元） b. Dependent Variable: logp13 表二 ANOVA bModel 1 Regression Residual Total Sum of Squares 18.056 .984 19.040 df 2 17 19 Mean Square 9.028 .058 F 155.941 Sig. .000 a a. Predictors: (Constant), 受教育年限（年）, 年收入（万元） b. Dependent Variable: logp13 10

表三

Coefficients Unstandardized Coefficients Model 1 (Constant) 年收入（万元） 受教育年限（年） a. Dependent Variable: logp13 图一

B .263 .308 -.126 Std. Error .262 .019 .017 .883 -.410 Standardized Coefficients Beta t 1.002 16.021 -7.430 Sig. Collinearity Statistics Tolerance VIF a.331 .000 .000 1.000 1.000 1.000 1.000

分析：

表一：被解释变量和解释变量的复相关系数为0.974，判定系数为0.948，调整的判定系数为0.942，回归方程的估计标准误差为0.24061。该方程有2个解释变量，调整的判定系数为0.942，，接近于1，所以拟合优度较高，被解释变量可以被模型解释的部分较多，未能解释的部分较少。

表二：由上可知，被解释变量的总离差平方和为19.04，回归平方和及均方分别为18.056和9.028，剩余平方和及均方分别为0.984和0.058，F检验统计量的观测值为155.941，对应的概率p值近似为0。如果显著性水平a为0.05，由于p值小于a,所以拒绝回归方程显著性检验的零假设，认为各回归系数不同时为0，被解释变量与解释变量全体的线性关系是显著的，可建立线性模型。

表三：上表各列分别为方程的偏回归系数、偏回归系数的标准误差、标准化偏回归系数、回归系数显著性检验中t统计量的观测值、对应的概率p值、解释变量的容忍度和方差膨胀因子。

由上可以看出，如果显著性水平a为0.05，几乎所有变量的回归系数显著性t检验的概率p值都小于显著性水平，因此拒绝零假设，认为这些偏回归系数与0有显著差异，它们与被解释变量的线性关系是显著的，应该保留在方程中。同时，从容忍度和方差膨胀因子来看，VIF值为1，说明解释变量间不存在多重共线性，可以建模。

logp2/p3和年收入，受教育年限的结果：表四

Model Summary ModR R Adjusted R Std. Error Change Statistics b11

el Square Square of the Estimate R Square Change F Change df1 2 df2 17 Sig. F Change .000 1 .972 a.944 .938 .13659 .944 143.847 a. Predictors: (Constant), 受教育年限（年）, 年收入（万元） b. Dependent Variable: logp23 b 表五

ANOVA Model 1 Regression Residual Total Sum of Squares 5.367 .317 5.685 df 2 17 19 Mean Square 2.684 .019 F 143.847 Sig. .000 a aa. Predictors: (Constant), 受教育年限（年）, 年收入（万元） b. Dependent Variable: logp23 Coefficients 表六

Unstandardized Coefficients Model 1 (Constant) 年收入（万元） 受教育年限（年） a. Dependent Variable: logp23 B -.332 .167 -.071 Std. Error Standardized Coefficients Beta t -2.229 .876 -.420 15.293 -7.335 Sig. Collinearity Statistics Tolerance VIF .149 .011 .010 .040 .000 .000 1.000 1.000 1.000 1.000 分析：

表四：被解释变量和解释变量的复相关系数为0.972，判定系数为0.944，调整的判定系数为0.938，回归方程的估计标准误差为0.13659。该方程有2个解释变量，调整的判定系数为0.938，，接近于1，所以拟合优度较高，被解释变量可以被模型解释的部分较多，未能解释的部分较少。

表五：由上可知，被解释变量的总离差平方和为5.685，回归平方和及均方分别为5.367和2.684，剩余平方和及均方分别为0.317和0.019，F检验统计量的观测值为143.847，对应的概率p值近似为0。如果显著性水平a为0.05，由于p值小于a,所以拒绝回归方程显著性检验的零假设，认为各回归系数不同时为0，被解释变量与解释变量全体的线性关系是显著的，可建立线性模型。

表六：上表各列分别为方程的偏回归系数、偏回归系数的标准误差、标准化偏回归系数、回归系数显著性检验中t统计量的观测值、对应的概率p值、解释变量的容忍度和方差膨胀因子。

由上可以看出，如果显著性水平a为0.05，几乎所有变量的回归系数显著性t检验的概率p值都小于显著性水平，因此拒绝零假设，认为这些偏回归系数与0有显著差异，它们与被解释变量的线性关系是显著的，应该保留在方程中。同时，从容忍度和方差膨胀因子来看，VIF值为1，说明解释变量间不存在多重共线性，可以建模。

12