spss如何進行回歸分析?怎么在spss中回歸分析

回歸分析用于研究影響關系情況,實質上就是研究自變量X對因變量Y的影響關系情況。 具體可以使用在線spss平臺SPSSAU進行分析，分析步驟如下： 1、上傳數據，選擇線性回歸 2、放入分析項，點擊開始分析 3、分析結果 配合輸出智能文字分析，可以結合

對數據進行回歸分析的方式方法有很多，其中使用spss進行分析應用較為廣泛，下面介紹如何使用spss對數據進行回歸分析。

材料/工具

SPSS電腦

SPSS統計軟件可以用來做許多數據分析，回歸分析就是其中之一?；貧w分析就是探索兩種及其以上變量之間的關系，運用十分廣泛，按照自變量和因變量之間的函數關系類型可以分為線性回歸分析和非線性回歸分析?；貧w分析不僅可以分析數據，更可以用來

方法

首先打開需要處理的相關文檔。

回歸分析 首先看結果中的第二個表格，就是你這個里面叫做 變異數分析的，如果這個里面的sig顯著性大于0.05，說明你的回歸模型不顯著，其他的一切都沒有意義，如果這個表的顯著性＜0.05，說明回歸模型有意義，此時再考慮其他表格。其實從你最下面

點擊主菜單上的“分析”選項。

可以使用在線spss平臺SPSSAU進行分析，智能文字分析結果里會輸出回歸方程。

之后再點擊“回歸”選項中的“線性回歸”。

analyse——general linear model——univariate ,選擇plot,將要分析的兩個要素，自變量，因變量分別ADD到橫縱坐標中，就可以做交互作用出散點圖。

選擇想要分析的自變量和因變量到相應的框中，點擊中間的箭頭按鈕添加進去即可。

一個自變量 一個因變量如果要進行線性回歸，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，再使用線性回歸。 現在很多人都忽略這一點 直接使用的。 至于判斷線性方程擬合的好壞，看R方和spss回歸分析：

選擇好需要分析的變量以后，在右邊有相應的統計量和選項，點中自己需要分析的條件，點擊繼續即可。

1、打開spss統計軟件，然后單擊“Analyze - Regression - Binary Logistic”。 2、出現“邏輯回歸”窗口。將“高血壓”放入“依賴變量”框，并將其他變量（如“性別”和“體重指數”）放入“分隔符”框中。 3、單擊“分類”將分類變量的自變量放入右側的“分類協

確定好所有的因素之后，確定就可以在輸出框中顯示最終的分析結果了。

spss使用多元逐步回歸分析的方法過程： 1、在spss里variable view里，輸入5個變量名稱，可用中文。 2、在data view里分別錄入5個變量對應的數據； 3、點擊analyze--regession--linear，在彈出框里，把因變量（抑郁得分）選定在dependent里，其他

擴展閱讀，以下內容您可能還感興趣。

如何利用spss做調查問卷的回歸分析

1、首先將數據錄入到SPSS軟件中，也可以是Excel表格直來接導入，不要忘記把“變量視圖”設置成數值型。

2、選擇你要處理的值，進行“相關性分析”，觀察兩者間有沒有存在相關性。因為有了自相關性才能做回歸分析。

3、如果檢驗得出存在相關性，就可以做回歸分析了。SPSS軟件上方選擇“分析”-“回歸分析”-“線性”，點擊確定。

4、在相應的框中輸入X和Y軸對應的內容，其他都不需要管。

5、最后就是結果分析了，在輸出的文檔中一共有四張表，其中【系數表zhidao】就是所求出來的模型。在查看回歸的水平為Y，然后輸入X預測Y的值。

在回歸分析中，怎樣用SPSS求解完全二次模型

1、打開spss軟件，選擇zhidao文件→打開數據：

2、接著選擇分析→回歸→線性：

3、設置自變量和因變量，這里自變量為肺活量，因變量為體重：

4、點擊統計量，如下圖勾選估計，模型擬合度，描述性，個案診斷選擇所有，置信區間水平設為95%

5、點擊繪制，設置繪制直方圖和正態概率圖：

6、確定：

進行分析：

1、下表可以看出，person相關系數為0.749，顯著專系數為0.003，說明兩者之間顯著相關。

2、方差分析表，肺活量與體重的顯著性水平為0.005，殘差為0.083

3、回歸系數表，可以看出顯著水平分別為0.02和0.005，表示兩者是相關的，和相關分析的表給出的結果是一屬致的。

4、標準化殘差呈現正態分布，散點在直線上或靠近直線，說明變量間呈現線性分布另外結合下面散點圖，兩變量大致呈直線趨勢，綜合上面分析可以推斷，回歸方程滿足線性以及方差齊次的檢驗：

spss怎么做多元回歸分析

多元回歸分析跟簡單一元回歸分析是百在一個對話框里面的。

首先確定出你的因變量，必須是連續性數值變量，而度且回歸分析一次只能一個因變量。

其次是自變量，可以同時將多個自變量納入回歸，這個就是多元回歸，一個自變量就是簡單回歸

自變量可是分類自變量，知也可以是連續性數值變量。

如果是超過兩個分類的自變量，則需要事先設置虛擬變量，設置好后，全部一次性移入自變量對話框，其他的道默認就可以出結果了

spss回歸分析結果怎么得出回歸結果

如何報告回歸分析的結果

回歸分析的結果可以分為以下幾部分：1）回歸模型；2）回歸系數；3）因變量和自變量的特征；4）自變量之間的關系。其中，1和2是必須詳細報告的基本信息；而3和4則可以根據具體情況而詳略各異的輔助信息。以下分別討論之。

如何描述回歸模型和回歸系數

先簡單講一下一元回歸。一元回歸，即只涉及一個自變量（如X）。這種模型在社會科學中既很少見（一個常見的例外是時間序列分析中以時間為自變量分析因變量的長期趨勢），也很容易報告。一般不需用表格，只須寫一句話（如“自變量X的b = ?，std = ?, Beta = ?”）或給一個公式（如“Y = ? + ?b, where std = ?, Beta = ?”）就足夠了。如果一項研究中有多個一元回歸分析，那么就應該也可以用一個表格來報告（參加？），以便于讀者對各模型之間作比較。

接下來專門講多元回歸。由于其涉及諸多參數，有的必須報告、有的酌情而定、有完全不必，為了便于說明，我按SPSS回歸分析的輸出結果（其它統計軟件大同小異），做了一個如何報告回歸模型和回歸系數的一覽表（表一）。如表所示，我將各種參數分成“必須報告”、e799bee5baa6e79fa5e9819331333363366238“建議報告”、“一般不必”和“完全不必”四類。我的分類標準來自于公認的假設檢驗所涉及的四個方面，即變量之間關系的顯著性、強度、方向和形式（詳見“解釋變量關系時必須考慮的四個問題”一文）。也就是說，每個參數的取舍，應該而且可以由其是否提供了不重復的顯著性（即Sig）、強度（B或Beta的值）、方向（B或Beta的符號）和形式（自變量的轉換）信息而定的。

表一、如何報告回歸模型和回歸系數之一覽表

注釋SPSS結果出處是否報告如何報告

回歸模型部分

R因變量與所有自變量的復合相關系數Model Summary表完全不必  

R SquareR的平方值Model Summary表一般不必  

Adjusted R SquareR平方的修正值Model Summary表必須報告見表二

Std Error of the Estimate 因變量預測值的標準誤差(注1)Model Summary表建議報告見表二

Sum of Squares總離差ANOVA表完全不必  

df自由度ANOVA表完全不必  

Mean Square平均離差ANOVA表完全不必  

F模型F值ANOVA表一般不必  

Sig.F值的顯著水平ANOVA表必須報告見表二

N 模型的個案數(注2)ANOVA表必須報告見表二

回歸系數部分

Unstandardized Coefficients (B)非標準化系數Coefficients表必須報告見表二

Unstandardized Coefficients (Std. Error)B的標準誤差Coefficients表必須報告見表二

Standardized Coefficients (Beta)標準化系數Coefficients表必須報告見表二

t= B / Std. ErrorCoefficients表    

Sig.t值的顯著水平Coefficients表必須報告見表二

95% Confidence Interval for B (Lower Bound)B的置信區間（下限） Coefficients表(注3)建議報告見表二

95% Confidence Interval for B (Upper Bound)B的置信區間（上限） Coefficients表(注3)建議報告見表二

注1：因變量預測值的標準誤差描述了該模型的精確度(precision)，如表二中的因變量是當前年薪，其預測誤差為？，即如果用該模型（包括起薪、工齡和性別三個自變量）去預測條件相同的企業中的員工年薪，則可以知道？。這種信息無法從模型的其它參數（如R平方或其修正值、顯著水平、各自變量的B或Beta）中得知。

注2：如果因變量和所有自變量都沒有缺省值，那么模型的個案數就等于樣本數。但變量常有缺省值，這時模型的個案數就會小于樣本數、有時兩者相差很大（當然是個嚴重問題），所以一定要報告前者。SPSS并不直接顯示該信息，但很容易計算，等于 ANOVA表中的Total df + 1就是了。RegressionStatistics

注3：B的置信區間，是用來檢驗B的顯著水平的另一工具（如果上、下限之間包含了0，說明B在95%的水平上不顯著），以彌補t檢驗及其Sig值的不足。這是一個經典又有復雜的問題，叫做Null Hypothesis Significance Test (NHST)，本文不做詳談。有興趣的讀者可以參見有關網頁（R. C. Fraley; D. J. Denis）。SPSS不直接給出B的置信區間，需要在“Statistics”一項中要求添加。如右圖所示，SPSS回歸分析的輸出結果中，內定只顯示“Estimates" 和"Model fit"兩項（即會產生表一中除了置信區間之外的其它各項參數）。建議加選“Confidence intervals”。

現在用一個實例來演示如何報告回歸分析結果。為了便于大家重復這個實例，我使用的數據是SPSS自帶的world95.sav。這是聯合國教科文組織（或世界銀行之類機構）發表的1995年全球109個國家或地區的“國情”數據，其中含有人口、地理、經濟、社會、文化等26個指標。我以其中的birth_rt（每1000人的出生率）為因變量，gpd_car（人均國內生成總值）、urban（城市化，即人口中城市人口比例）、literacy（識字率、即人口中能閱讀者比例）和calories（每天卡路里攝入量）等四項為自變量。按表一的原則，我將該回歸分析的結果報告在表二中：

[轉載]如何報告回歸分析的結果

限于篇幅和本文目的，我不對表二的各參數作解讀。但想對表中的有關格式做些補充說明。

如何給表格取標題：一般只須描述表內的內容即可。那么，本表的內容是什么呢？是出生率對四個自變量作回歸的結果。該四個自變量在表內均有詳細介紹，故不必在表格標題中重復。

如何描述變量（包括因變量和自變量）：我先給出每個變量的理論概念名（如必要，可以用英文）、然后在括號中注明其對應的SPSS變量名（這并非必須、而是為了便于大家對照手頭的SPSS數據）和操作定義（很有必要、強烈推薦，從中讀者可以看到變量是否做過轉換、從而得知有關關系的形式、即線性還是非線性）。為何要如何詳細地描述變量？APA手冊對如何制作各種定量分析結果的表格或圖形有一條“獨立信息”的基本原則，即每個圖表要包含基本信息、以致讀者不需參照正文而能夠獨立讀懂該圖表。因此，簡單地將SPSS輸出結果黏貼過來，雖是最常見的做法、但是很壞的習慣。

是否需要報告常數（Constant）：一定要。常數對解讀回歸模型的實際社會意義，有十分重要的作用。如本表中的常數 = 65.444，意即全球（74個國家或地區）的平均出生率（即在控制了四項自變量的影響之后）為千分之65.4，等等。有一點須注意的是在SPSS的輸出結果中，常數是放在第一行的。應該搬到其它自變量之后。

報告哪個回歸系數（即標準化還是非標準化系數）：這是最常見問題。以前曾有過“預測派”和“解釋派”之爭，前者主張只要報告B就夠了、而后者則認為只要報告Beta就行了。其實兩者反映的是不同的信息，B不受因變量變異程度（variability）的影響、所以同一自變量在各回歸模型中的B是可以比較的（很多理論假設需要檢驗的就是這一問題）；而Beta受因變量變異程度的影響而無法跨越本模型、但是卻因其標準化而可以與同一模型中的其它Beta相比（也有很多理論假設希望解決的是這個問題）。因此，APA手冊建議同時報告兩者（英文第五版pp. 160-161）。

小數點之后取幾位：APA手冊認為，一般的定量分析結果只須保留兩位小數足夠。對回歸結果來說，Beta、R2值、顯著水平等標準化參數（即其取值均在0與1之間）取兩位小數最合適。B及其相關指標（標準誤差、置信區間）是非標準化的（即取值可以是任意大或任意?。?，所以要酌情而定，根據變量的量表（scale，即取值范圍）大小而多取、少取甚至不取小數點。一般而言，當自變量的量表大于因變量時，其B會取小值、所以需要多取一至數位小數；相反，自變量的量表小于因變量時，其B會取大值、所以可以少取甚至不取小數。在本例中，GDP和卡路里的量表都遠大于出生率，所以它們的B值看上去很?。ǖ灰欢ㄒ馕吨绊懶。?。因此，我就沒有機械地只取兩位小數。大家如果仔細看一下表二，就會發現我的“酌情”規則是“最后一位0之后取兩位”，如-0.00042、0.033、-0.034、-0.0041，這與APA手冊的“取兩位小數”原則的基本精神是一致的。我們日常見到的問題，主要是保留過多的小數點，往往是是直接黏貼SPSS的結果（其內定是6位小數）而不加編輯而造成。

表格內是否有橫豎分割線：按APA的規定，除了表格頂部、底部和列標題底部有三條橫線外，其余一概不用。很多人簡單照搬Word表格的內定線條，不做任何修飾。審稿專家一看就知是“菜鳥”或懶漢所為。

p是什么東東？就是SPSS輸出中的Sig。p是所有統計學教科書中通用的符號，Sig則只是SPSS的專用。前者更廣為認知。

如何報告多個回歸模型？以上是如何報告一個回歸模型的結果。實際上，一項研究（即一篇論文）中往往涉及數個回歸模型。有些作者喜歡為每個回歸做一個類似表二的回歸結果表。這種方法有兩個問題：一是占用過多的空間、二是不利于對各模型進行比較。一般說來，應該而且可以將平行（即全部自變量相同）或交集（即部分自變量相同）的回歸模型結果放在同一個表內。我們還是用world95數據，再對死亡率和AIDS發病率分別做一個回歸，然后將三個模型的結果放在表三：

表三與表二的主要區別在于表二是橫向的（每列為同一類參數）、而表三是縱向（每列為同一模型）。表二中橫排的六類參數改成豎立的四行（其中的p值被星號代替、置信區間的上下限合在一行），以便讀者做橫向比較（這是所有定量分析結果的表格制作的一個基本原則）。如果是英文報告，去掉中文后，表三會變得簡潔明了很多。

如何報告變量特征和自變量關系

如前所述，因變量和自變量的特征以及自變量之間的相關關系，是需要酌情考慮的輔助信息。鑒于本文已經很長了，我們簡單說一下。變量特征主要指

變量的操作定義（問卷原文）

取值范圍（如0-100、0-1、0或1、1-5、1-7等等；好雪問的，如果數據做過對數、平方、開方、倒數等轉換，就應該而且最適合在這里報告）

描述性統計值（均值、標準差、偏度Skewness、峰度Kurtosis等）

一種值得推薦的方法，是將所有變量的上述特征列在一個表中（表四）、放到論文的附錄中去、供有興趣的讀者查閱（類似的技術細節一般都可以放到附錄中去）。 

------------------------

關于SPSS回歸結果分析

寫論文的這個回歸結果怎么說明

解答：

一看判定系數R方,本例中,R方=0.202,擬合優度很差.一般要在0.6以上為好.至少也在0.4以上.

二看系數估計量的sig值,其中,獨董規模的sig=0.007,小于0.05,說明該變量對因變量有顯著的影響.而總經理持股量則不顯著.因為sig值大于0.05.

之所以,模型不好,是因為你忽略了重要的影響因素.

但如果你只關注這兩個自變量對因變量的影響,那么,結論已經出來了.目的達到了,所以,也說得過去.

統計人劉得意

追答：

可以的，若作自變量，就是虛擬變量模型。 只要有一個sig小于0.05，模型就可以說是有效的。

追問：

像董事長是否兼任總經理，是則為1，否則為0，這樣的數據能進行回歸分析嗎？從哪個值能看出這個模型是有效的？PS. R方好像是0.041吧？

追答：

一般來說是這樣的。線性相關時，才能做線性回歸模型。

多元logistics回歸分析在spss中怎么做

logit回歸

1.打開數據，依次點擊：analyse--regression--binarylogistic，打開二百分回歸對話框。

2.將因變量度和自變量放入格子的列表里，上面問的是因變量，下面的是自變量（單變量拉入一個，多因素拉入多個）。

3.設置回歸方法，這里選擇最簡單的方法：enter，它指的是將所有的變量一次納入到方程。其答他方法都是逐步進入的方法。

4.等級資料，連續資料不需要版設置虛權擬變量。多分類變量需要設置虛擬變量。

5.選項里面至少選擇95%CI。

點擊ok。本回答被提問者采納

聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。TEL:0731-84117792 E-MAIL:11247931@qq.com