SPSS多元线性回归输出结果的详细解释
不会看就别在spss里面瞎点
我经常帮别人做这类的数据分析的
说明结果显著
模型R2是多少？
要注意有没有多重共线性
还要注意系数的正负是否合理
我经常帮别人做类似的数据分析的
先说一句题外话，如果当年在大学里数理统计等课程结合SPSS，SAS，R等软件来讲，应该效果会好很多。
最近做了一些用SPSS进行线性回归的实验，还是感觉很多细节把握不好，这里结合我的实验结果，以及网上别人的介绍总结一下，先贴几张SPSS的输出：
下面简单解释一下这三张图中的结果：
第一个表模型汇总表中，R表示拟合优度（goodness of fit），它是用来衡量估计的模型对观测值的拟合程度。它的值越接近1说明模型越好。调整的R平方比调整前R平方更准确一些，图中的最终调整R方为0.550，表示自变量一共可以解释因变量55%的变化（variance），另外，由于使用的是StepWise Linear Regression (SWLR)，分析——回归——线性——“方法”选择“逐步”，所以模型1、2、3的R方逐渐增大，标准误差逐渐减小。
（据网友的介绍：一般认为，拟合优度达到0.1为小效应（R方0.01），0.3为中等R方0.09），0.5为大（R方0.25），这是针对自然科学的一般界限。）
第二个表Anova表示方差分析结果，主要看F和sig值两个，F值为方差分析的结果，是一个对整个回归方程的总体检验，指的是整个回归方程有没有使用价值（与随机瞎猜相比），其F值对应的Sig值小于0.05就可以认为回归方程是有用的。另外，从F值的角度来讲：F的值是回归方程的显著性检验，表示的是模型中被解释变量与所有解释变量之间的线性关系在总体上是否显著做出推断。若F>Fa(k,n-k-1)，则拒绝原假设，即认为列入模型的各个解释变量联合起来对被解释变量有显著影响，反之，则无显著影响。
这里简单对Fa(k,n-k-1)进行一下解释，k为自变量个数，n为样本容量，n-k-1为自由度。对于我的实验中的情况来讲，k=3，样本容量为146，所以查表的时候应该差Fa(3,142)，一般数理统计课本中都有F分布表，a表示的显著性水平（一般取0.05），但我们手头不一定会有课本，就需要借助于excel来查F表，打开excel，在公式区输入：=FINV(0.05,3,142)，在单元格中即出现2.668336761，表中的F值显著大于这个值，则认为各个解释变量对因变量有显著影响。
需要注意的是，方差分析是对多个自变量的总体检验，而不是单个自变量（单个自变量在系数表中，为单样本T检验），这就是第三个表回归系数表中的内容。
系数表格列出了自变量的显著性检验结果（使用单样本T检验），最后一列为T检验的sig，表中均小于0.05，说明自变量对因变量具有显著影响，B表示各个自变量在回归方程中的系数，负值表示IPGF这个自变量对因变量有显著的负向影响，但是由于每个自变量的量纲和取值范围不同，基于B并不能反映各个自变量对因变量影响程度的大小，这时候我们就要借助标准系数。目前表格中的“试用版”实际上是Beta的意思，此时数值越大表示对自变量的影响更大。
从这个分析过程来看，这个实验结果还挺理想的。
非标准化系数（B）：非标准化回归系数。回归模型方程中使用的是非标准化系数。
标准化系数（Beta）：标准化回归系数。一般可用于比较自变量对Y的影响程度。Beta值越大说明该变量对Y的影响越大
t值：t检验的过程值，回归分析中涉及两种检验（t检验和F检验），t检验分别检验每一个X对Y的影响关系，通过t检验说明这个X对Y有显著的影响关系；F检验用于检验模型整体的影响关系，通过F检验，则说明模型中至少有一个X对Y有显著的影响关系。此处的t值，为t检验的过程值，用于计算P值。一般无需关注。
p值：t检验所得p值。P值小于0.05即说明，其所对应的X对因变量存在显著性影响关系。
VIF值：共线性指标。大于5说明存在共线性问题。
R²：决定系数，模型拟合指标。反应Y的波动有多少比例能被X的波动描述。
调整R²：调整后的决定系数，也是模型拟合指标。当x个数较多是调整R²比R²更为准确。
F检验：通过F检验，说明模型中至少有一个X对Y有显著的影响关系。分析时主要关注后面的P值即可。
D-W值：D-W检验值，Durbin-Watson检验，是自相关性的一项检验方法。如果D-W值在2附近（1.7~2.3之间），则说明没有自相关性，模型构建良好。
第一步：首先对模型整体情况进行分析
包括模型拟合情况（R²），是否通过F检验等。
第二步：分析X的显著性
分析X的显著性（P值），如果呈现出显著性，则说明X对Y有影响关系。如果不显著，则应剔除该变量。
第三步：判断X对Y的影响关系方向及影响程度
结合回归系数B值，对比分析X对Y的影响程度。B值为正数则说明X对Y有正向影响，为负数则说明有负向影响。
第四步：写出模型公式
第五步：对分析进行总结
SPSSAU也会提供智能分析建议，方便分析人员快速得出分析结果。
请点击输入图片描述
如何解释SPSS多元线性回归结果?
答：SPSSAU结果如下：（1）最终模型中只保留了人口、文盲率，人口、文盲率对犯罪率的影响有统计学意义（t=2.808，p=0.007；t=6.978，p＜0.01）；面积、收入、高中毕业率、霜冻天数不在模型内，说明这4个自变量对犯罪率的影响无统计学意义。由标准化回归系数可知，对犯罪率的影响，相对而言是文盲率比...
运用spss进行多元线性回归时,对于输出结果
答：运用spss进行多元线性回归时,对于输出结果：分析结果会自动输出VIF值，用来判断是否存在共线性。多元线性回归介绍如下：在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或...
SPSS多元线性回归的结果如何解读?
答：总结来看，模型公式为：当前工资=-41.634 + 0.425*起始工资 + 6.176*受教育年限-0.051*工作经验 + 29.819*职位等级（案例数据分析结果仅供参考）。上图为残差正态分布图（P-P图），由上图可以看出残差的分布符合大致正态分步。说明回归结果就数据而言是较为可靠的。
关于多元线性回归用spss分析后结果该怎么看
答：如果不显著，则应剔除该变量。第三步：判断X对Y的影响关系方向及影响程度 结合回归系数B值，对比分析X对Y的影响程度。B值为正数则说明X对Y有正向影响，为负数则说明有负向影响。第四步：写出模型公式 第五步：对分析进行总结 SPSSAU也会提供智能分析建议，方便分析人员快速得出分析结果。
用SPSS做多元回归分析得出的指标结果怎么分析啊?
答：表一的r值是复相关系数，r方是决定系数，r方表示你的模型可以解释百分之多少的你的因变量，比如你的例子里就是可以解释你的因变量的百分之八十。很高了。表二的sig是指你的回归可不可信，你的sig是0。000，说明在0.01的水平上你的模型显著回归，方程具有统计学意义。SPSS（全称：Statistical Product...
spss多元线性回归分析结果是什么?
答：在统计学中，回归分析（regression analysis)指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析...
多元线性回归,用spss做出的结果,有好几个R是怎么 回事,论文中是选一...
答：你可能用了依次回归，以第一个图为例，模型1是只把size作为自变量来做回归，模型2是size和icdi作为自变量，模型3是把size，icdi，dir，co都作为自变量，那自然是选取的自变量越多，R方越大了，选哪个就看你究竟是想用哪几个变量作预测，报告的时候报告调整后的R方，这个值是针对自变量的增多会不断...
spss线性回归分析结果解读是什么?
答：spss线性回归分析结果解读是首先看方差分析表对应的sig是否小于0.05，如果小于0.05，说明整体回归模型显著，再看下面的回归系数表，如果这里的sig大于0.05，就说明回归模型不显著，下面的就不用再看了。看具体回归系数表中每个自变量 对应的sig值，如果sig小于0.05，说明该自变量对因变量有显著预测作用，...
请高手帮忙分析下SPSS的多元线性回归结果吧~急啊~~~
答：回归模型总体显著，通过F检验的表格可知，同时各个自变量也都对因变量有显著预测作用，从最下面的表可知。但是回归模型拟合效果很差，只有0.003，可以说非常差，建议你重新换一个模型拟合看效果
spss多重线性回归逐步回归法操作和结果解释方法
答：在这里，我们将因变量放大dependent栏，将自变量都放到independent栏将method设置为stepwise，这就是逐步回归法 点击ok按钮，开始输出拟合结果我们看到的第一个表格是变量进入和移除的情况，因为这个模型拟合的比较好，所以我们看变量只有进入...
