SPSS回归分析
回归分析（线性回归分析）研究变量之间的影响关系。虽然相关分析描述分析项目之间是否存在关系，但回归分析研究X（自变量，通常是定量数据）如何影响Y（因变量，定量数据）。存在相关关系不一定意味着会有回归影响关系。
什么是回归分析
回归分析本质上是研究X（自变量，通常是定量数据）如何影响Y（因变量，定量数据）。分析过程包括四个步骤：
步骤1：分析模型情况
- 模型拟合：R²表示Y的变异有多少可以由所有X变量解释。例如，R² = 0.3表示所有X变量可以解释Y的30%的变异。
- 多重共线性：VIF值小于5表示没有多重共线性问题。
- F检验：用于确定至少一个X是否对Y有影响。如果显著（标记有星号），表示至少一个X对Y有影响关系。
步骤2：分析X的显著性
- 如果显著（通过p值判断），表示存在影响关系；否则，不存在影响关系。
步骤3：确定X对Y的影响方向
- 回归系数B值大于0表示正向影响；否则，负向影响。
步骤4：其他分析
- 比较影响的大小（比较回归系数B值以确定不同X变量对Y的相对影响）。
重要说明：通常，应在回归分析之前进行相关分析，以首先了解是否存在关系。回归分析研究是否存在影响关系。存在相关关系不一定意味着会有回归影响关系。
功能访问
1. 导航到SurveyMars系统中问卷的"分析结果"部分。
2. 点击"SPSS分析"选项以访问分析功能。
3. 点击"立即分析"按钮，从可用分析方法中选择"回归分析" 。
执行回归分析
1. 选择要分析的因变量（Y）。
2. 选择要分析其对Y影响的自变量（X）。
3. 如果您想保存残差项用于模型验证，可以勾选相应的复选框。
4. 点击"确认" 按钮以生成回归分析结果。
解释回归结果
回归分析结果分四步解释：
步骤1：分析模型情况
- 模型拟合（R²）：R²表示Y的变异有多少可以由所有X变量解释。例如，R² = 0.3表示所有X变量可以解释Y的30%的变异。
- 多重共线性（VIF）：VIF值小于5（严格小于5）表示没有多重共线性问题。如果VIF大于10，表示模型构建不佳。
- F检验：用于确定至少一个X是否对Y有影响。如果F值标记有星号（*），表示显著（p < 0.05）。如果没有星号，表示p > 0.05。
步骤2：分析X的显著性
- 检查每个X变量的p值
- 如果p < 0.05（标记为*），表示存在显著影响关系
- 如果p < 0.01（标记为**），表示存在高度显著影响关系
- 如果p > 0.05（无星号），表示不存在显著影响关系
步骤3：确定X对Y的影响方向
- 回归系数B值大于0：正向影响（随着X增加，Y也增加）
- 回归系数B值小于0：负向影响（随着X增加，Y减少）
步骤4：比较影响的大小
- 比较标准化系数（Beta值）以确定不同X变量对Y的相对影响
- 当Beta > 0时，值越大，正向影响越大
- 当Beta < 0时，值越小，负向影响越大
模型验证
回归分析后，您可以验证回归模型。验证包括以下四个方面：
1. 多重共线性：
- 检查VIF值。如果所有VIF值都小于10（严格小于5），表示没有多重共线性问题，模型构建良好
- 如果VIF大于10，表示模型构建不佳
- 如果存在多重共线性，您可以使用逐步回归分析、岭回归分析，或执行相关分析以手动删除高度相关的项目
2. 自相关：
- 如果D-W值约为2（在1.7和2.3之间），表示没有自相关，模型构建良好
- 如果D-W值显著偏离2，表示存在自相关，模型构建不佳
- 当出现自相关问题时，建议检查因变量Y数据
3. 残差正态性：
- 在分析过程中保存残差项，然后使用"直方图"直观检查残差正态性
- 如果残差在视觉上满足正态性，表示模型构建良好
- 如果残差正态性非常差，建议重建模型，例如对Y取对数并重建模型
4. 异方差性：
- 使用保存的残差项与自变量X或因变量Y创建散点图
- 检查散点是否显示明显的模式，例如残差项随着X值增加而增加或减少
- 如果存在明显模式，表示存在异方差性，模型构建不佳
- 如果存在明显的异方差性，建议重建模型，例如对Y取对数并重建模型
重要说明
- 回归分析研究X（自变量）如何影响Y（因变量），其中X通常是定量数据，Y是定量数据
- 通常，应在回归分析之前进行相关分析，以首先了解是否存在关系
- 存在相关关系不一定意味着会有回归影响关系
- 模型验证包括检查多重共线性（VIF）、自相关（D-W）、残差正态性和异方差性
- VIF值小于5表示没有多重共线性问题；D-W值约为2（1.7-2.3）表示没有自相关
- 如果回归分析显示各种异常，使用描述性分析、箱线图、散点图等检查数据中的异常值
常见问题（FAQ）
问题1：我需要在回归分析之前执行相关分析吗？
答：通常，应在回归分析之前进行相关分析，以首先了解是否存在关系。回归分析研究是否存在影响关系。存在相关关系不一定意味着会有回归影响关系。您也可以在回归分析之前使用散点图直观检查数据关系。
问题2：如何比较不同自变量之间的影响大小？
答：如果自变量X已经显示对因变量Y有显著影响（p < 0.05），并且您想比较影响大小，可以使用标准化系数（Beta值）。当Beta > 0时，表示正向影响，值越大，影响越大。当Beta < 0时，表示负向影响，值越小，影响越大。
问题3：如果回归分析缺少Y（因变量）怎么办？
答：回归分析研究X对Y的影响。有时由于问卷设计问题，Y缺失（没有设计相应的问卷项目）。建议计算所有X项目的平均值来表示Y（使用"生成变量"平均值功能）。
问题4：为什么单个X显示影响但多个X一起显示没有影响？
答：有时当只包含一个X时，它显示对Y有显著影响；但当包含多个X变量时，它们显示没有显著影响。这是非常正常的。当包含多个X变量时，可能存在"竞争"关系，并且可能出现多重共线性问题。研究人员应结合实际情况。通常，一次包含多个X变量更常见，相当于包含多个X变量的模型；而一次包含一个X重复进行相当于多个模型。
问题5：F值后面的括号中的两个值代表什么？
答：要从F值计算p值，需要两个自由度值（df1和df2）。通常，df1等于自变量的数量；df2等于样本量 - （自变量数量 1）。这两个值只是标准格式所需的中间过程值，没有其他实际意义。
问题6：简单回归和多元回归有什么区别？
答：当X变量的数量为1时，通常称为简单回归或单变量回归。当X变量的数量超过1时，称为多元回归。这种命名在线性回归和逻辑回归中都是一致的。
