SPSS—线性回归分析_spss线性回归

一元线性回归

一元线性回归中只涉及到两个变量， 一个自变量一个因变量 。
Y = a + bX（Y为效标变量、反应变量；X为预测变量、解释变量）

1. 分析>回归>线性

2. 将自变量和因变量添加到对应栏中

3. 点击“统计量”，在弹出的界面中，根据需要勾选

1. 描述性统计量和相关性

2. 输入/移去的变量和模型汇总

相关系数R
决定系数R2 ：解释率，即因变量的变化有多少是自变量变化引起的

3. Anova

回归方程显著性检验，检验整体的自变量对因变量的影响，即回归模型整体解释变异量是否达到了显著水平，Sig < 0.05，说明回归方程显著/有效。

4. 系数

非标准化系数、标准化系数、回归系数显著性检验结果
回归方程标准化：Y = 0.555X 非标准化：Y = 0.791 + 0.690X
一元线性回归中，回归方程显著，则X的系数t值显著

线性回归分析结果显示，X与Y存在显著的线性关系，X可以解释Y的30.9%的变异性，回归方程为Y = 0.791 + 0.690X，是显著的（F = 528.732, P < 0.001）。即可以用X预测Y。

多元线性回归

多元线性回归中涉及到多个变量，其中包含 一个因变量和多个自变量 。

Y = a + bX1 + cX2（Y为因变量、效标变量、反应变量；X为自变量、预测变量、解释变量）

1. 分析>回归>线性

2. 分类

根据自变量进入回归方程的方式，可分为以下几种：

2.1 进入

使用强迫进入变量法时，所有自变量被同时纳入回归方程。

5. 共线性诊断

共线性是指回归模型中的某些或者全部自变量存在高度或者完全线性关系的现象。这是回归模型不允许的，为了避免自变量之间的共线性问题，需要进行诊断。
诊断方法一：多元共线性的常用指标为容忍度（允差/容差/TOL值）、方差膨胀因素（VIF）、条件指标（CI值）以及特征值（Eigenvalue）。在回归模型中，如果容忍度小于0.01，VIF值大于10，CI值大于30，特征值小于0.01，则说明自变量间存在共线性问题。
诊断方法二：如果回归模型中自变量间存在很高的相关，则说明变量间可能存在共线性问题，可以根据以往研究及理论，挑选一个比较重要的自变量纳入回归方程。
较为理想情况是自变量间呈低度相关，自变量和因变量间呈高度相关。

多元线性回归分析结果显示，X1、X2、X3、X4的多元相关系数为0.660，决定系数为0.436，表示所有自变量共解释因变量的43.6%的变异量。建立回归方程Y = 0.173X1 + 0.221X2 + 0.073X3 + 0.397X4（F = 220.585, p < 0.001），说明X1、X2、X3、X4可以正向预测Y。

2.2 逐步

采用逐步进入变量法，可将不显著的变量排除在外，建立最佳的回归模型。

1. 描述性统计和相关分析

2. 纳入/移去的变量

3. 模型汇总

4. ANOVA

5. 回归系数

6. 共线性诊断

多元线性回归分析结果显示，X1、X2、X3、X4对因变量有显著的预测力，可解释因变量43.6%的变异量，建立回归方程为：Y = 0.397X4 + 0.221X2 + 0.173X1 + 0.073X3（F = 220.585, p < 0.001）。从每个变量的预测力高低来看，X4、X2、X1、X3分别能够解释34.1%、6.5%、2.6%、0.4%的变异量。

2.3 层次回归

采用层次回归，可以控制协变量的影响。例如，我们想要控制X1和X2，研究X3和X4对Y的影响。

SPSS 线性回归 分析回归分析一、线性模型（针对连续因变量，线性关系）（一）简单 线性回归 （一元 线性回归 ）1、绘制散点图2、建立简单（一元） 线性回归 模型3、建立模型后，检查预测结果（二）多重回归分析 1、绘制矩阵分布散点图（论文专用你懂的）2、建立多重回归模型point 1：自变量加入方法：逐步（步进）法3、建立模型后，检查预测结果二、非线性模型（将非线性问题转换为线性问题）1、logistic 分析的回归模型1.1 建立回归模型1.2 利用回归模型进行预测根据之前的学习，通过评价实验得到了主观数据，通过描述

参考文献： https://blog.csdn.net/qysh123/article/details/73801391 https://www.mediecogroup.com/method_article_detail/45/ https://www.mediecogroup.com/method_article_detail/51/ 线性回归 的假设前提 线性回归 分析，需要先满足以下8项假设：假设1：因变量是连续变量。

什么是回归分析？回归分析是研究自变量与因变量之间数量变化关系的一种分析方法，它主要是通过因变量Y与影响它的自变量Xi（i1,2,3…）之间的回归模型，衡量自变量Xi对因变量Y的影响能力的，进而可以用来预测因变量Y的发展趋势。 ????????????相关分析与回归分析的联系与区别：两者均为研究与测度两个或两个以上变量之间关系的方法。在实际工作中，一般先进行相关分析，计算相关函数，然后建立回归模型，最后用回归模型进行推算或预测。 ✨相关分析研究的都是随机变量，并且不分自变量与因变量；一、实际应用回归分析方法理论成熟，它可以确定变量之间的定量关系并进行相应的预测，反映统计变量之间的数量变化规律，为研究者准确把握自变量对因变量的影响程度和方向提供有效的方法，在经济、金融和社会科学方面具有广泛的应用。回归分析研究分析某一变量受其他变量影响的分析方法，它以被影响变量为因变量，以影响变量为自变量，研究因变量与自变量之间的因果关系，包括简单 线性回归 、多重 线性回归 、

为了进行 线性回归 分析，在 SPSS 中建立数据文件或打开现有数据文件是首要任务。选择正确的统计分析方法对于获得准确的结果至关重要[^2]。 #### 启动 线性回归 分析进入`Analyze`（分析）菜单，选择`Regression`（回归），再点击`Linear...`选项以启动 线性回归 对话框。 #### 设置变量在 线性回归 窗口内，需指定因变量和自变量。将目标预测变量拖放到“Dependent”栏位作为因变量；而可能影响该结果的因素则应被放置于“Independent(s)”列表里充当自变量。如果存在多个潜在的影响因素，则可以全部加入到独立变量区域以便一次性评估它们各自的作用程度以及相互间的关系模式[^4]。 #### 配置附加选项 - **Statistics**: 可勾选额外所需的统计数据输出项，比如估计值、模型拟合度指标等。 - **Plots**: 定义图表设置，有助于直观理解残差分布和其他诊断信息。 - **Save**: 如果希望保存新计算出来的字段至原始数据库中，可在此处设定相应的存储指令。 - **Options**: 设定缺失值处理方式及其他高级配置。完成上述各项调整后，确认无误即可点击OK按钮提交命令并等待软件返回运算成果报告。 ``` spss REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT lai /METHOD=ENTER ndvi evi. 这段脚本展示了如何利用语法界面来进行一次基本的多元 线性回归 分析，其中`lai`代表叶面积指数这一因变量，而`ndvi`, `evi`则是两个不同的植被指数作为自变量参与建模过程。