怎麼在spss中迴歸分析 spss如何進行迴歸分析

迴歸分析用於研究影響關係情況,實質上就是研究自變數X對因變數Y的影響關係情況。 具體可以使用線上spss平臺SPSSAU進行分析，分析步驟如下： 1、上傳資料，選擇線性迴歸 2、放入分析項，點選開始分析 3、分析結果 配合輸出智慧文字分析，可以結合

對資料進行迴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對資料進行迴歸分析。

材料/工具

SPSS電腦

SPSS統計軟體可以用來做許多資料分析，迴歸分析就是其中之一。迴歸分析就是探索兩種及其以上變數之間的關係，運用十分廣泛，按照自變數和因變數之間的函式關係型別可以分為線性迴歸分析和非線性迴歸分析。迴歸分析不僅可以分析資料，更可以用來

方法

首先開啟需要處理的相關文件。

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

點選主選單上的“分析”選項。

可以使用線上spss平臺SPSSAU進行分析，智慧文字分析結果裡會輸出迴歸方程。

之後再點選“迴歸”選項中的“線性迴歸”。

analyse——general linear model——univariate ,選擇plot,將要分析的兩個要素，自變數，因變數分別ADD到橫縱座標中，就可以做互動作用出散點圖。

選擇想要分析的自變數和因變數到相應的框中，點選中間的箭頭按鈕新增進去即可。

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。 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spss迴歸分析：

選擇好需要分析的變數以後，在右邊有相應的統計量和選項，點中自己需要分析的條件，點選繼續即可。

1、開啟spss統計軟體，然後單擊“Analyze - Regression - Binary Logistic”。 2、出現“邏輯迴歸”視窗。將“高血壓”放入“依賴變數”框，並將其他變數（如“性別”和“體重指數”）放入“分隔符”框中。 3、單擊“分類”將分類變數的自變數放入右側的“分類協

確定好所有的因素之後，確定就可以在輸出框中顯示最終的分析結果了。

spss使用多元逐步迴歸分析的方法過程： 1、在spss裡variable view裡，輸入5個變數名稱，可用中文。 2、在data view裡分別錄入5個變數對應的資料； 3、點選analyze--regession--linear，在彈出框裡，把因變數（抑鬱得分）選定在dependent裡，其他

擴充套件閱讀，以下內容您可能還感興趣。

如何利用spss做調查問卷的迴歸分析

1、首先將資料錄入到SPSS軟體中，也可以是Excel表格直來接匯入，不要忘記把“變數檢視”設定成數值型。

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迴歸分析。

3、如果檢驗得出存在相關性，就可以做迴歸分析了。SPSS軟體上方選擇“分析”-“迴歸分析”-“線性”，點選確定。

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、最後就是結果分析了，在輸出的文件中一共有四張表，其中【係數表zhidao】就是所求出來的模型。在檢視迴歸的水平為Y，然後輸入X預測Y的值。

在迴歸分析中，怎樣用SPSS求解完全二次模型

1、開啟spss軟體，選擇zhidao檔案→開啟資料：

2、接著選擇分析→迴歸→線性：

3、設定自變數和因變數，這裡自變數為肺活量，因變數為體重：

4、點選統計量，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、點選繪製，設定繪製直方圖和正態概率圖：

6、確定：

進行分析：

1、下表可以看出，person相關係數為0.749，顯著專係數為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、迴歸係數表，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、標準化殘差呈現常態分佈，散點在直線上或靠近直線，說明變數間呈現線性分佈另外結合下面散點圖，兩變數大致呈直線趨勢，綜合上面分析可以推斷，迴歸方程滿足線性以及方差齊次的檢驗：

spss怎麼做多元迴歸分析

多元迴歸分析跟簡單一元迴歸分析是百在一個對話方塊裡面的。

首先確定出你的因變數，必須是連續性數值變數，而度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，知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，其他的道預設就可以出結果了

spss迴歸分析結果怎麼得出迴歸結果

如何報告迴歸分析的結果

迴歸分析的結果可以分為以下幾部分：1）迴歸模型；2）迴歸係數；3）因變數和自變數的特徵；4）自變數之間的關係。其中，1和2是必須詳細報告的基本資訊；而3和4則可以根據具體情況而詳略各異的輔助資訊。以下分別討論之。

如何描述迴歸模型和迴歸係數

先簡單講一下一元迴歸。一元迴歸，即只涉及一個自變數（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數分析因變數的長期趨勢），也很容易報告。一般不需用表格，只須寫一句話（如“自變數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迴歸分析，那麼就應該也可以用一個表格來報告（參加？），以便於讀者對各模型之間作比較。

接下來專門講多元迴歸。由於其涉及諸多引數，有的必須報告、有的酌情而定、有完全不必，為了便於說明，我按SPSS迴歸分析的輸出結果（其它統計軟體大同小異），做了一個如何報告迴歸模型和迴歸係數的一覽表（表一）。如表所示，我將各種引數分成“必須報告”、e799bee5baa6e79fa5e9819331333363366238“建議報告”、“一般不必”和“完全不必”四類。我的分類標準來自於公認的假設檢驗所涉及的四個方面，即變數之間關係的顯著性、強度、方向和形式（詳見“解釋變數關係時必須考慮的四個問題”一文）。也就是說，每個引數的取捨，應該而且可以由其是否提供了不重複的顯著性（即Sig）、強度（B或Beta的值）、方向（B或Beta的符號）和形式（自變數的轉換）資訊而定的。

表一、如何報告迴歸模型和迴歸係數之一覽表

註釋SPSS結果出處是否報告如何報告

迴歸模型部分

R因變數與所有自變數的複合相關係數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 因變數預測值的標準誤差(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

迴歸係數部分

Unstandardized Coefficients (B)非標準化係數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)標準化係數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：因變數預測值的標準誤差描述了該模型的精確度(precision)，如表二中的因變數是當前年薪，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數）去預測條件相同的企業中的員工年薪，則可以知道？。這種資訊無法從模型的其它引數（如R平方或其修正值、顯著水平、各自變數的B或Beta）中得知。

注2：如果因變數和所有自變數都沒有預設值，那麼模型的個案數就等於樣本數。但變數常有預設值，這時模型的個案數就會小於樣本數、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並不直接顯示該資訊，但很容易計算，等於 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。這是一個經典又有複雜的問題，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”一項中要求新增。如右圖所示，SPSS迴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引數）。建議加選“Confidence intervals”。

現在用一個例項來演示如何報告迴歸分析結果。為了便於大家重複這個例項，我使用的資料是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”資料，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）為因變數，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）等四項為自變數。按表一的原則，我將該回歸分析的結果報告在表二中：

[轉載]如何報告迴歸分析的結果

限於篇幅和本文目的，我不對錶二的各引數作解讀。但想對錶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。那麼，本表的內容是什麼呢？是出生率對四個自變數作迴歸的結果。該四個自變數在表內均有詳細介紹，故不必在表格標題中重複。

如何描述變數（包括因變數和自變數）：我先給出每個變數的理論概念名（如必要，可以用英文）、然後在括號中註明其對應的SPSS變數名（這並非必須、而是為了便於大家對照手頭的SPSS資料）和操作定義（很有必要、強烈推薦，從中讀者可以看到變數是否做過轉換、從而得知有關關係的形式、即線性還是非線性）。為何要如何詳細地描述變數？APA手冊對如何製作各種定量分析結果的表格或圖形有一條“獨立資訊”的基本原則，即每個圖表要包含基本資訊、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。常數對解讀迴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數的影響之後）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。應該搬到其它自變數之後。

報告哪個迴歸係數（即標準化還是非標準化係數）：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、而後者則認為只要報告Beta就行了。其實兩者反映的是不同的資訊，B不受因變數變異程度（variability）的影響、所以同一自變數在各回歸模型中的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受因變數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）。

小數點之後取幾位：APA手冊認為，一般的定量分析結果只須保留兩位小數足夠。對迴歸結果來說，Beta、R2值、顯著水平等標準化引數（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小），所以要酌情而定，根據變數的量表（scale，即取值範圍）大小而多取、少取甚至不取小數點。一般而言，當自變數的量表大於因變數時，其B會取小值、所以需要多取一至數位小數；相反，自變數的量表小於因變數時，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於出生率，所以它們的B值看上去很小（但不一定意味著影響小）。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“最後一位0之後取兩位”，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，其餘一概不用。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是什麼東東？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。

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

表三與表二的主要區別在於表二是橫向的（每列為同一類引數）、而表三是縱向（每列為同一模型）。表二中橫排的六類引數改成豎立的四行（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製作的一個基本原則）。如果是英文報告，去掉中文後，表三會變得簡潔明瞭很多。

如何報告變數特徵和自變數關係

如前所述，因變數和自變數的特徵以及自變數之間的相關關係，是需要酌情考慮的輔助資訊。鑑於本文已經很長了，我們簡單說一下。變數特徵主要指

變數的操作定義（問卷原文）

取值範圍（如0-100、0-1、0或1、1-5、1-7等等；好雪問的，如果資料做過對數、平方、開方、倒數等轉換，就應該而且最適合在這裡報告）

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，是將所有變數的上述特徵列在一個表中（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）。 

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

關於SPSS迴歸結果分析

寫論文的這個迴歸結果怎麼說明

解答：

一看判定係數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.

二看係數估計量的sig值,其中,獨董規模的sig=0.007,小於0.05,說明該變數對因變數有顯著的影響.而總經理持股量則不顯著.因為sig值大於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數對因變數的影響,那麼,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，若作自變數，就是虛擬變數模型。 只要有一個sig小於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，這樣的資料能進行迴歸分析嗎？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，才能做線性迴歸模型。

多元logistics迴歸分析在spss中怎麼做

logit迴歸

1.開啟資料，依次點選：analyse--regression--binarylogistic，開啟二百分迴歸對話方塊。

2.將因變數度和自變數放入格子的列表裡，上面問的是因變數，下面的是自變數（單變數拉入一個，多因素拉入多個）。

3.設定迴歸方法，這裡選擇最簡單的方法：enter，它指的是將所有的變數一次納入到方程。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定虛權擬變數。多分類變數需要設定虛擬變數。

5.選項裡面至少選擇95%CI。

點選ok。本回答被提問者採納