如何使用SPSS進行一元迴歸分析

1樓：匿名使用者

一個自變數一個因變數

如果要進行線性迴歸，無論是一元

還是多元，第一步首先應該先畫下散點圖，看是否有線性趨勢，如果有線性趨勢了，再使用線性迴歸。這個是前提，現在很多人都忽略這一點直接使用的。

至於判斷線性方程擬合的好壞，看r方和調整的r方就可以了，r方越接近1，說明擬合的效果越好。你這個裡面 r方為0.618，調整的r方為0.

570，說明這個自變數可以解釋因變數57%左右的變異，不能說好，也不能說壞。看具體情況而定

anova(b)這個**是檢驗迴歸方程是否顯著的，sig的值=0.007 小於0.05，說明迴歸模型有意義，可以使用。

下面一個標準化迴歸係數和非標準化迴歸係數則是迴歸方程自變數的係數，非標準化的係數用來擬合方程使用，標準化的係數是剔除了不同自變數的不同計量單位影響的，用於比較多個自變數的影響大小

2樓：匿名使用者

anova(b)表中的sig項對應的數值為顯著性水平，你的為0.007，通過了99%檢驗

非標準化係數中的b為係數

你的擬合式為：銷售量=309.528+4.068*廣告費，通過了99%信度檢驗

怎樣用spss做一元線性迴歸？具體怎麼檢驗相關性

3樓：匿名使用者

1、開啟spss軟體，在提示符後輸入因變數y和自變數x的資料。

2、接下來使用r中作線性模型的函式lm()函式，lm(y~x+1)表示做有截距的線性迴歸模型，接下來lm(y~x)也是表示有截距的線性迴歸模型，lm(y~x+0)和lm(y~x-1)則表示過原點的線性迴歸模型，紅色部分即為輸出結果。

3、在上述結果中，只得出了迴歸方程的係數和截距，要提取模型資訊就要用到summary()函式。得到的結果就比剛剛多了很多資訊了。

4、接下來對所得結果進行分析：結果中call部分列出了相應的迴歸模型公式，residuals部分列出了殘差的最小值點、四分之一分位點、中位數點、四分之三分位點和最大值點。

coefficients部分中 estimate 是迴歸方程引數的估計值，std. error表示迴歸引數的標準差，t value 即為t值，pr(>|t|) 即為p值，後面的***為顯著性標記，*越多越顯著。

5、當模型通過檢驗，可用於**，此時我們需要用到r中的predict()函式，假設要**x等於0.16時y的值，其中interval="prediction"表示求**點的值的同時要給出相應的**區間，level=0.95表示求95%的置信區間。

6、分析結果： fit 值即為x=0.16時y的**值，lwr和upr分別表示**區間的上下限。一般的迴歸分析做到這裡就可以了。

4樓：匿名使用者

分析--迴歸--線性，迴歸方程由標準化迴歸係數和變數組成，

檢驗：分析--迴歸--線性，method為進入，統計量中，右邊選擇迴歸模式適合度檢驗，解釋量的該變數、共線性診斷。係數表中，beta值為標準化迴歸係數，檢視其是否顯著

5樓：斛孤俎光熙

用福利的原始分數作為自變數進行分析是完全可以的。這個自變數的資料型別屬於等距變數，即沒有絕對零點但是有相等單位的資料。這種資料型別符合迴歸分析的資料要求。

同時，如果覺得原始分數的代表性不是很強，也可以將福利水平進行分組，如60分以下為福利差，60到80分屬於福利一般，80分以上屬於福利好，用處理後的資料進行迴歸分析也是可以的。

個人認為還有一點可以注意，用一個單一的自變數對因變數進行**可能無法達到很高的準確性，因為問題通常都是有多種因素共同決定的，如果可以同時考慮其他相關因素的影響，迴歸分析的可靠性可能更強。

如何使用spss進行多元迴歸分析

6樓：兄弟連教育

多元迴歸分析跟簡單一元迴歸分析是在一個對話方塊裡面的。

首先確定出你的因變版量，必須是連續權性數值變數，而且迴歸分析一次只能一個因變數。

其次是自變數，可以同時將多個自變數納入迴歸，這個就是多元迴歸，一個自變數就是簡單迴歸

自變數可是分類自變數，也可以是連續性數值變數。

如果是超過兩個分類的自變數，則需要事先設定虛擬變數，設定好後，全部一次性移入自變數對話方塊，其他的預設就可以出結果了