spss做回归分析结果怎么看（spss进行回归分析结果怎么看）

1. spss做回归分析结果怎么看（spss进行回归分析结果怎么看）

您好,现在我来为大家解答以上的问题。spss做回归分析结果怎么看，spss进行回归分析结果怎么看相信很多小伙伴还不知道,现在让我们一起来看...    
  您好,现在我来为大家解答以上的问题。spss做回归分析结果怎么看，spss进行回归分析结果怎么看相信很多小伙伴还不知道,现在让我们一起来看看吧！
  1、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。
  2、其次，在回归模型显著的基础上，看调整的R方，是模型拟合度的好坏，越接近1，说明拟合效果越好。
  3、这个在一般做论文中，不需要管它的高低，因为论文重在研究方法和思路的严谨性，导师不会追究你的结果是对是错，你的数据本身就不一定有质量，所以无所谓，不必在意。
  4、第三 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，反之没有作用。

2. spss回归分析结果怎么得出回归结果

如何报告回归分析的结果



回归分析的结果可以分为以下几部分：1）回归模型；2）回归系数；3）因变量和自变量的特征；4）自变量之间的关系。其中，1和2是必须详细报告的基本信息；而3和4则可以根据具体情况而详略各异的辅助信息。以下分别讨论之。

如何描述回归模型和回归系数

先简单讲一下一元回归。一元回归，即只涉及一个自变量（如X）。这种模型在社会科学中既很少见（一个常见的例外是时间序列分析中以时间为自变量分析因变量的长期趋势），也很容易报告。一般不需用表格，只须写一句话（如“自变量X的b = ?，std = ?, Beta = ?”）或给一个公式（如“Y = ? + ?b, where std = ?, Beta = ?”）就足够了。如果一项研究中有多个一元回归分析，那么就应该也可以用一个表格来报告（参加？），以便于读者对各模型之间作比较。

接下来专门讲多元回归。由于其涉及诸多参数，有的必须报告、有的酌情而定、有完全不必，为了便于说明，我按SPSS回归分析的输出结果（其它统计软件大同小异），做了一个如何报告回归模型和回归系数的一览表（表一）。如表所示，我将各种参数分成“必须报告”、“建议报告”、“一般不必”和“完全不必”四类。我的分类标准来自于公认的假设检验所涉及的四个方面，即变量之间关系的显著性、强度、方向和形式（详见“解释变量关系时必须考虑的四个问题”一文）。也就是说，每个参数的取舍，应该而且可以由其是否提供了不重复的显著性（即Sig）、强度（B或Beta的值）、方向（B或Beta的符号）和形式（自变量的转换）信息而定的。

表一、如何报告回归模型和回归系数之一览表

注释	SPSS结果出处	是否报告	如何报告
回归模型部分
R	因变量与所有自变量的复合相关系数	Model Summary表	完全不必	  
R Square	R的平方值	Model Summary表	一般不必	  
Adjusted R Square	R平方的修正值	Model Summary表	必须报告	见表二
Std Error of the Estimate	 因变量预测值的标准误差(注1)	Model Summary表	建议报告	见表二
Sum of Squares	总离差	ANOVA表	完全不必	  
df	自由度	ANOVA表	完全不必	  
Mean Square	平均离差	ANOVA表	完全不必	  
F	模型F值	ANOVA表	一般不必	  
Sig.	F值的显著水平	ANOVA表	必须报告	见表二
N	 模型的个案数(注2)	ANOVA表	必须报告	见表二
回归系数部分
Unstandardized Coefficients (B)	非标准化系数	Coefficients表	必须报告	见表二
Unstandardized Coefficients (Std. Error)	B的标准误差	Coefficients表	必须报告	见表二
Standardized Coefficients (Beta)	标准化系数	Coefficients表	必须报告	见表二
t	= B / Std. Error	Coefficients表	  	  
Sig.	t值的显著水平	Coefficients表	必须报告	见表二
95% Confidence Interval for B (Lower Bound)	B的置信区间（下限）	 Coefficients表(注3)	建议报告	见表二
95% Confidence Interval for B (Upper Bound)	B的置信区间（上限）	 Coefficients表(注3)	建议报告	见表二
注1：因变量预测值的标准误差描述了该模型的精确度(precision)，如表二中的因变量是当前年薪，其预测误差为？，即如果用该模型（包括起薪、工龄和性别三个自变量）去预测条件相同的企业中的员工年薪，则可以知道？。这种信息无法从模型的其它参数（如R平方或其修正值、显著水平、各自变量的B或Beta）中得知。

注2：如果因变量和所有自变量都没有缺省值，那么模型的个案数就等于样本数。但变量常有缺省值，这时模型的个案数就会小于样本数、有时两者相差很大（当然是个严重问题），所以一定要报告前者。SPSS并不直接显示该信息，但很容易计算，等于 ANOVA表中的Total df + 1就是了。RegressionStatistics

注3：B的置信区间，是用来检验B的显著水平的另一工具（如果上、下限之间包含了0，说明B在95%的水平上不显著），以弥补t检验及其Sig值的不足。这是一个经典又有复杂的问题，叫做Null Hypothesis Significance Test (NHST)，本文不做详谈。有兴趣的读者可以参见有关网页（R. C. Fraley; D. J. Denis）。SPSS不直接给出B的置信区间，需要在“Statistics”一项中要求添加。如右图所示，SPSS回归分析的输出结果中，内定只显示“Estimates" 和"Model fit"两项（即会产生表一中除了置信区间之外的其它各项参数）。建议加选“Confidence intervals”。



现在用一个实例来演示如何报告回归分析结果。为了便于大家重复这个实例，我使用的数据是SPSS自带的world95.sav。这是联合国教科文组织（或世界银行之类机构）发表的1995年全球109个国家或地区的“国情”数据，其中含有人口、地理、经济、社会、文化等26个指标。我以其中的birth_rt（每1000人的出生率）为因变量，gpd_car（人均国内生成总值）、urban（城市化，即人口中城市人口比例）、literacy（识字率、即人口中能阅读者比例）和calories（每天卡路里摄入量）等四项为自变量。按表一的原则，我将该回归分析的结果报告在表二中：

[转载]如何报告回归分析的结果

限于篇幅和本文目的，我不对表二的各参数作解读。但想对表中的有关格式做些补充说明。

如何给表格取标题：一般只须描述表内的内容即可。那么，本表的内容是什么呢？是出生率对四个自变量作回归的结果。该四个自变量在表内均有详细介绍，故不必在表格标题中重复。
如何描述变量（包括因变量和自变量）：我先给出每个变量的理论概念名（如必要，可以用英文）、然后在括号中注明其对应的SPSS变量名（这并非必须、而是为了便于大家对照手头的SPSS数据）和操作定义（很有必要、强烈推荐，从中读者可以看到变量是否做过转换、从而得知有关关系的形式、即线性还是非线性）。为何要如何详细地描述变量？APA手册对如何制作各种定量分析结果的表格或图形有一条“独立信息”的基本原则，即每个图表要包含基本信息、以致读者不需参照正文而能够独立读懂该图表。因此，简单地将SPSS输出结果黏贴过来，虽是最常见的做法、但是很坏的习惯。
是否需要报告常数（Constant）：一定要。常数对解读回归模型的实际社会意义，有十分重要的作用。如本表中的常数 = 65.444，意即全球（74个国家或地区）的平均出生率（即在控制了四项自变量的影响之后）为千分之65.4，等等。有一点须注意的是在SPSS的输出结果中，常数是放在第一行的。应该搬到其它自变量之后。
报告哪个回归系数（即标准化还是非标准化系数）：这是最常见问题。以前曾有过“预测派”和“解释派”之争，前者主张只要报告B就够了、而后者则认为只要报告Beta就行了。其实两者反映的是不同的信息，B不受因变量变异程度（variability）的影响、所以同一自变量在各回归模型中的B是可以比较的（很多理论假设需要检验的就是这一问题）；而Beta受因变量变异程度的影响而无法跨越本模型、但是却因其标准化而可以与同一模型中的其它Beta相比（也有很多理论假设希望解决的是这个问题）。因此，APA手册建议同时报告两者（英文第五版pp. 160-161）。
小数点之后取几位：APA手册认为，一般的定量分析结果只须保留两位小数足够。对回归结果来说，Beta、R2值、显著水平等标准化参数（即其取值均在0与1之间）取两位小数最合适。B及其相关指标（标准误差、置信区间）是非标准化的（即取值可以是任意大或任意小），所以要酌情而定，根据变量的量表（scale，即取值范围）大小而多取、少取甚至不取小数点。一般而言，当自变量的量表大于因变量时，其B会取小值、所以需要多取一至数位小数；相反，自变量的量表小于因变量时，其B会取大值、所以可以少取甚至不取小数。在本例中，GDP和卡路里的量表都远大于出生率，所以它们的B值看上去很小（但不一定意味着影响小）。因此，我就没有机械地只取两位小数。大家如果仔细看一下表二，就会发现我的“酌情”规则是“最后一位0之后取两位”，如-0.00042、0.033、-0.034、-0.0041，这与APA手册的“取两位小数”原则的基本精神是一致的。我们日常见到的问题，主要是保留过多的小数点，往往是是直接黏贴SPSS的结果（其内定是6位小数）而不加编辑而造成。
表格内是否有横竖分割线：按APA的规定，除了表格顶部、底部和列标题底部有三条横线外，其余一概不用。很多人简单照搬Word表格的内定线条，不做任何修饰。审稿专家一看就知是“菜鸟”或懒汉所为。
p是什么东东？就是SPSS输出中的Sig。p是所有统计学教科书中通用的符号，Sig则只是SPSS的专用。前者更广为认知。
如何报告多个回归模型？以上是如何报告一个回归模型的结果。实际上，一项研究（即一篇论文）中往往涉及数个回归模型。有些作者喜欢为每个回归做一个类似表二的回归结果表。这种方法有两个问题：一是占用过多的空间、二是不利于对各模型进行比较。一般说来，应该而且可以将平行（即全部自变量相同）或交集（即部分自变量相同）的回归模型结果放在同一个表内。我们还是用world95数据，再对死亡率和AIDS发病率分别做一个回归，然后将三个模型的结果放在表三：


表三与表二的主要区别在于表二是横向的（每列为同一类参数）、而表三是纵向（每列为同一模型）。表二中横排的六类参数改成竖立的四行（其中的p值被星号代替、置信区间的上下限合在一行），以便读者做横向比较（这是所有定量分析结果的表格制作的一个基本原则）。如果是英文报告，去掉中文后，表三会变得简洁明了很多。

如何报告变量特征和自变量关系

如前所述，因变量和自变量的特征以及自变量之间的相关关系，是需要酌情考虑的辅助信息。鉴于本文已经很长了，我们简单说一下。变量特征主要指

变量的操作定义（问卷原文）
取值范围（如0-100、0-1、0或1、1-5、1-7等等；好雪问的，如果数据做过对数、平方、开方、倒数等转换，就应该而且最适合在这里报告）
描述性统计值（均值、标准差、偏度Skewness、峰度Kurtosis等）
一种值得推荐的方法，是将所有变量的上述特征列在一个表中（表四）、放到论文的附录中去、供有兴趣的读者查阅（类似的技术细节一般都可以放到附录中去）。 
------------------------

关于SPSS回归结果分析

写论文的这个回归结果怎么说明
解答：
一看判定系数R方,本例中,R方=0.202,拟合优度很差.一般要在0.6以上为好.至少也在0.4以上.二看系数估计量的sig值,其中,独董规模的sig=0.007,小于0.05,说明该变量对因变量有显著的影响.而总经理持股量则不显著.因为sig值大于0.05.之所以,模型不好,是因为你忽略了重要的影响因素.但如果你只关注这两个自变量对因变量的影响,那么,结论已经出来了.目的达到了,所以,也说得过去.统计人刘得意
追答：
可以的，若作自变量，就是虚拟变量模型。 只要有一个sig小于0.05，模型就可以说是有效的。
追问：
像董事长是否兼任总经理，是则为1，否则为0，这样的数据能进行回归分析吗？从哪个值能看出这个模型是有效的？PS. R方好像是0.041吧？
追答：
一般来说是这样的。线性相关时，才能做线性回归模型。

3. 急！！spss回归分析：怎样看数据是否可以做线性回归分析，又怎么看回归分析的结果。

一个自变量 一个因变量如果要进行线性回归，无论是一元还是多元，第一步首先应该先画下散点图，看是否有线性趋势，如果有线性趋势了，再使用线性回归。
现在很多人都忽略这一点 直接使用的。 至于判断线性方程拟合的好坏，看R方和spss回归分析：怎样看数据是否可以做线性。
SPSS for Windows的分析结果清晰、直观、易学易用，而且可以直接读取EXCEL及DBF数据文件，现已推广到多种各种操作系统的计算机上，它和SAS、BMDP并称为国际上最有影响的三大统计软件。在国际学术界有条不成文的规定。

扩展资料：
13版中的改进可能主要有以下几个方面：
1）超长变量名：在12版中，变量名已经最多可以为64个字符长度，13版中可能还要大大放宽这一限制，以达到对当今各种复杂数据仓库更好的兼容性。
2）改进的Autorecode过程：该过程将可以使用自动编码模版，从而用户可以按自定义的顺序，而不是默认的ASCII码顺序进行变量值的重编码。另外，Autorecode过程将可以同时对多个变量进行重编码，以提高分析效率。
3）改进的日期/时间函数：本次的改进将集中在使得两个日期/时间差值的计算，以及对日期变量值的增减更为容易上。
参考资料来源：百度百科-spss

4. 如何看SPSS逐步回归分析的结论，跪求高手帮助~~~~~

你用的方法是逐步回归分析——是向前选择变量法 和 自后淘汰变量法 的结合
向前选择变量法规则：F=3.84 or Sig = 0.05
自后淘汰变量法规则：F=2.71 or Sig = 0.10
两者结合后，即要使变量不被消去，需F值越大越好，sig值则需小于0.05（拒绝原假设H0）
1.由ANOVA表中，sig<0.05得知，回归模型有效
2.由Coefficients表的，sig值可知，社会取向和他人取向，均选入模型
3.由Excluded Variables表中，sig>0.05可知，自我取向变量不能再进入方程

5. SPSS中回归分析结果解释，不懂怎么看

相关分析：研究有没有关系，关系强度如何。
回归分析：研究影响关系如何，有没有影响关系，影响关系如何。
相关分析是研究有没有关系，回归分析是研究影响关系。明显地，相关分析是基础，然后再进行回归分析。首先需要知道有没有相关关系；有了相关关系，才可能有回归影响关系；如果没有相关关系，是不应该有回归影响关系的。
因而从分析角度，应该先进行相关分析，完成相关分析后，确认有了相关分析，再进行回归分析。
有时候会出现奇怪的现象，比如：
有回归影响关系，但是却没有相关关系【此时建议以‘没有相关关系作为结论’】
负向影响关系，但却是正向相关关系【此时建议以‘有相关关系但没有回归影响关系作为结论’】

6. 如何使用SPSS进行逐步回归分析？

逐步回归分析
在自变量很多时，其中有的因素可能对应变量的影响不是很大，而且x之间可能不完全相互独立的，可能有种种互作关系。在这种情况下可用逐步回归分析，进行x因子的筛选，这样建立的多元回归模型预测效果会更较好。
逐步回归分析，首先要建立因变量y与自变量x之间的总回归方程，再对总的方程及每—个自变量进行假设检验。当总的方程不显著时，表明该多元回归方程线性关系不成立；而当某—个自变量对y影响不显著时，应该把它剔除，重新建立不包含该因子的多元回归方程。筛选出有显著影响的因子作为自变量，并建立“最优”回归方程。
回归方程包含的自变量越多，回归平方和越大，剩余的平方和越小，剩余均方也随之较小，预测值的误差也愈小，模拟的效果愈好。但是方程中的变量过多，预报工作量就会越大，其中有些相关性不显著的预报因子会影响预测的效果。因此在多元回归模型中，选择适宜的变量数目尤为重要。
逐步回归在病虫预报中的应用实例:
以陕西省长武地区1984~1995年的烟蚜传毒病情资料、相关虫情和气象资料为例（数据见DATA6.xls），建立蚜传病毒病情指数的逐步回归模型，说明逐步回归分析的具体步骤。影响蚜传病毒病情指数的虫情因子和气象因子一共有21个，通过逐步回归，从中选出对病情指数影响显著的因子，从而建立相应的模型。对1984~1995年的病情指数进行回检，然后对1996~1998年的病情进行预报，再检验预报的效果。
变量说明如下：
y：历年病情指数

7. 如何使用SPSS进行逐步回归分析？

逐步回归分析
在自变量很多时，其中有的因素可能对应变量的影响不是很大，而且x之间可能不完全相互独立的，可能有种种互作关系。在这种情况下可用逐步回归分析，进行x因子的筛选，这样建立的多元回归模型预测效果会更较好。
逐步回归分析，首先要建立因变量y与自变量x之间的总回归方程，再对总的方程及每—个自变量进行假设检验。当总的方程不显著时，表明该多元回归方程线性关系不成立；而当某—个自变量对y影响不显著时，应该把它剔除，重新建立不包含该因子的多元回归方程。筛选出有显著影响的因子作为自变量，并建立“最优”回归方程。
回归方程包含的自变量越多，回归平方和越大，剩余的平方和越小，剩余均方也随之较小，预测值的误差也愈小，模拟的效果愈好。但是方程中的变量过多，预报工作量就会越大，其中有些相关性不显著的预报因子会影响预测的效果。因此在多元回归模型中，选择适宜的变量数目尤为重要。
逐步回归在病虫预报中的应用实例:
以陕西省长武地区1984~1995年的烟蚜传毒病情资料、相关虫情和气象资料为例（数据见DATA6.xls），建立蚜传病毒病情指数的逐步回归模型，说明逐步回归分析的具体步骤。影响蚜传病毒病情指数的虫情因子和气象因子一共有21个，通过逐步回归，从中选出对病情指数影响显著的因子，从而建立相应的模型。对1984~1995年的病情指数进行回检，然后对1996~1998年的病情进行预报，再检验预报的效果。
变量说明如下：
y：历年病情指数

8. 急！！spss回归分析：怎样看数据是否可以做线性回归分析，又怎么看回归分析的结果。

一个自变量
一个因变量
如果要进行线性回归，无论是一元还是多元，第一步首先应该先画下散点图，看是否有线性趋势，如果有线性趋势了，再使用线性回归。这个是前提，现在很多人都忽略这一点
直接使用的。
至于判断线性方程
拟合的好坏，看r方和调整的r方就可以了，r方越接近1，说明拟合的效果越好。你这个里面
r方为0.618，调整的r方为0.570，说明这个自变量可以解释因变量57%左右的变异，不能说好，也不能说坏。看具体情况而定
anova(b)这个表格是检验
回归方程是否显著的，sig的值=0.007
小于0.05，说明回归模型有意义，可以使用。
下面一个标准化回归系数
和非标准化回归系数
则是回归方程自变量的系数，非标准化的系数用来拟合方程使用，标准化的系数是剔除了不同自变量的不同计量单位影响的，用于比较多个自变量的影响大小