spss怎么做多元回归分析

1）准备分析数据

在SPSS数据编辑窗口中，创建变量，并输入数据。再创建分级变量“x1”、“x2”、“x3”、“x4”和“y”，它们对应的分级数值可以在SPSS数据编辑窗口中通过计算产生。

2）启动线性回归过程

单击SPSS主菜单的“Analyze”下的“Regression”中“Linear”项，将打开线性回归过程窗口。

3) 设置分析变量

设置因变量：用鼠标选中左边变量列表中的“[y]”变量，然后点击“Dependent”栏左边的向右拉按钮，该变量就移到“Dependent”因变量显示栏里。

设置自变量：将左边变量列表中的“ [x1]”、“ [x2]”、“ [x3]”、“[x4]”变量，选移到“Independent(S)”自变量显示栏里。

设置控制变量:不使用控制变量，可不选择任何变量。

选择标签变量: 选择为标签变量。

选择加权变量:没有加权变量，可不作任何设置。

4）回归方式

预报因子变量是经过相关系数法选取出来的，在回归分析时不做筛选。因此在“Method”框中选中“Enter”选项，建立全回归模型。

5）设置输出统计量

单击“Statistics”按钮，将打开对话框。该对话框用于设置相关参数。其中各项的意义分别为：

①“Regression Coefficients”回归系数选项：

“Estimates”输出回归系数和相关统计量。

“Confidence interval”回归系数的95%置信区间。

“Covariance matrix”回归系数的方差-协方差矩阵。

选择“Estimates”输出回归系数和相关统计量。

②“Residuals”残差选项：

“Durbin-Watson”Durbin-Watson检验。

“Casewise diagnostic”输出满足选择条件的观测量的相关信息。选择该项，下面两项处于可选状态：

“Outliers outside standard deviations”选择标准化残差的绝对值大于输入值的观测量；

“All cases”选择所有观测量。

提交执行

在主对话框里单击“OK”，提交执行，结果将显示在输出窗口

回归模型统计量：R 是相关系数；R Square 相关系数的平方，又称判定系数，判定线性回归的拟合程度：用来说明用自变量解释因变量变异的程度（所占比例）；Adjusted R Square 调整后的判定系数；Std. Error of the Estimate 估计标准误差。

回归分析用于研究影响关系情况,实质上就是研究自变量X对因变量Y的影响关系情况。

具体可以使用在线spss平台SPSSAU进行分析，分析步骤如下：

1、上传数据，选择线性回归

2、放入分析项，点击开始分析

3、分析结果

配合输出智能文字分析，可以结合数据进行解读。

一元线性回归是一个主要影响因素作为自变量来解释因变量的变化，在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化，这就是多元回归亦称多重回归。

当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元线性回归。设y为因变量，x_1，x_2，\cdotsx_k为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为：y=b_0+b_1x_1+b_2x_2+\cdots+b_kx_k+e其中，b0为常数项，b_1，b_2，\cdotsb_k为回归系数。

b1为x_2，x_3\cdotsx_k固定时，x1每增加一个单位对y的效应，即x1对y的偏回归系数；同理b2为x1，xk固定时，x2每增加一个单位对y的效应，即，x2对y的偏回归系数，等等。如果两个自变量x1，x2同一个因变量y呈线性相关时，可用二元线性回归模型描述为：y=b0+b1x1+b2x2+e。

---