一、研究场景
回归分析实质上就是研究一个或多个自变量X对一个因变量Y（定量数据)的影响关系情况。当自变量为1个时，是一元线性回归，又称作简单线性回归；自变量为2个及以上时，称为多元线性回归。例如：研究吸烟、喝酒、久坐对高血压患病的影响关系等。
二、SPSSAU操作
SPSSAU左侧仪表盘“通用方法”→“线性回归”；
三、线性回归的一般步骤
回归分析用于研究X(定量或定类)对Y(定量)的影响关系，是否有影响关系，影响方向及影响程度情况如何；
第一：首先分析模型拟合情况，即通过R方值分析模型拟合情况，以及可对VIF值进行分析，判断模型是否存在共线性问题【共线性问题可使用岭回归或者逐步回归进行解决】；
第二：写出模型公式(可选)；
第三：分析X的显著性；如果呈现出显著性(p值小于0.05或0.01)；则说明X对Y有影响关系，接着具体分析影响关系方向；
第四：结合回归系数B值，对比分析X对Y的影响程度(可选)；
第五：对分析进行总结。
回归分析之前，可使用箱盒图查看是否有异常数据，或使用散点图直观展示X和Y之间的关联关系；回归分析之后，可使用正态图观察和展示保存的残差值正态性情况；或使用散点图观察和展示回归模型异方差情况【残差与X间的散点完全没有关系则无异方差】。
四、SPSSAU结果与指标解读
1.线性回归分析结果
计算：
（1）VIF(方差膨胀因子）
对于VIF说明：其值介于1~之间。其值越大，自变量之间存在共线性的可能越大；
（2）R方
；
它是判断线性回归直线拟合优度的重要指标，表明决定系数等于回归平方和在总平方和中所占比率，体现了回归模型所解释的因变量变异的百分比；例：R2=0.775，说明变量y的变异中有77.5％是由变量x引起的，R2=1，表明因变量与自变量成函数关系。
（3）调整R方
其中，k为自变量的个数；n为观测项目。自变量数越多，与R2的差值越大；例：
（4）F值
参考下方ANOVA表格(中间过程)
F=回归均方/残差均方;0.254/0.237=1.068
从上表可知，将价格,性能,品牌偏好作为自变量，而将笔记本是否购买作为因变量进行线性回归分析，从上表可以看出，模型公式为：笔记本是否购买=0.588 + 0.033*价格-0.116*性能 + 0.061*品牌偏好，模型R方值为0.032，意味着价格,性能,品牌偏好可以解释笔记本是否购买的3.2%变化原因。对模型进行F检验时发现模型并没有通过F检验(F=1.068， p=0.367>0.05)，也即说明价格,性能,品牌偏好并不会对笔记本是否购买产生影响关系，因而不能具体分析自变量对于因变量的影响关系，分析结束。
2.模型汇总(中间过程)
补充说明：一般对于时间序列分析才会考虑DW值：
- 当残差与自变量互为独立时，DW≈2；
- 当相邻两点的残差为正相关时，DW<2;
- 当相邻两点的残差为负相关时，DW>2；
3.ANOVA表格(中间过程)
F=回归均方/残差均方;0.254/0.237=1.068；
对模型进行F检验时发现模型并没有通过F检验(F=1.068，p=0.367>0.05)，也即说明价格,性能,品牌偏好并不会对笔记本是否购买产生影响关系，因而不能具体分析自变量对于因变量的影响关系。
4.回归系数(中间过程)
95％CI：是指由样本统计量所构造的总体参数的估计区间（置信区间）。
补充说明：SPSSAU还提供了coefPlot、预测模型等。例如下图：
五、疑难解惑
1.回归分析缺少Y？
回归分析是研究X对于Y的影响。有时候由于问卷设计问题，导致直接缺少了Y(没有设计对应的问卷题项)，建议可以考虑将X所有题项概括计算平均值来表示Y。（使用“ 生成变量”的 平均值功能）（另提示：如果问卷中并没有设计出Y对应的题项，没有其它办法可以处理）
2.影响关系的大小,那个自变量影响更大一点?
如果说自变量X已经对因变量Y产生显著影响(P< 0.05)，还想对比影响大小，建议可使用标准化系数( Beta)值的大小对比影响大小，Beta值大于0时正向影响，该值越大说明影响越大。Beta值小于0时负向影响，该值越小说明影响越大。
3.回归分析之前是否需要先做相关分析?
一般来说，回归分析之前需要做相关分析，原因在于相关分析可以先了解是否有关系，回归分析是研究有没有影响关系，有相关关系但并不一定有回归影响关系。当然回归分析之前也可以使用散点图直观查看数据关系情况等。
4.常数项值很大或者很小？
常数项无实际意义，包括其对应的显著性值等均无实际意义，只是数学角度上一定存在而已。
5.回归系数非常非常小或者非常非常大？
如果说数据的单位很大，不论是自变量X还是因变量Y；此种数据会导致结果里面的回归系数出现非常非常小，也或者非常非常大。此种情况是正常现象，但一般需要对数据进行统一取对数处理，以减少单位问题带来的‘特别大或特别小的回归系数’问题。
六、总结
以上就是多元线性回归分析的指标解读，对于线性回归的操作步骤具体可以查看推荐文章，线性回归在实际研究里非常常见，但是理论与实际操作会有较大“距离”，具体还需要结合实际研究考察。
更多干货请前往SPSSAU官网查看。
标签：分析,因变量,回归,多元,线性,影响,自变量 来源： https://www.cnblogs.com/spssau/p/16195653.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。