《spssau逐步回归分析操作》由会员分享，可在线阅读，更多相关《spssau逐步回归分析操作（4页珍藏版）》请在装配图网上搜索。
1、v1.0 可编辑可修改逐步回归分析逐步回归分析逐步回归分析研究 X(自变量,通常为量数据)对 Y(因变量,定量数据)的影响关系情况,X 可以为多个,但并非所有 X 均会对 Y 产生影响;当 X 个数很多时,可以让系统自动识别出有影响的 X;这一自动识别分析方法则称为逐步回归分析;如果全部 X 均没有显著性,此时系统默认返回回归分析结果分析步骤共为四步,分别是:第一步:首先对模型情况进行分析首先分析最终余下的 X 情况;以及被模型自动排除在外的 X;接着对模型拟合情况(比如 R 平方为,则说明所有余下 X 可以解释 Y 30%的变化原因),模型共线性问题(VIF 值小于 5 则说明无多重共线性)
2、.第二步:分析 X 的显著性模型余下的 X 一定具有显著性;具体分析 X 的影响关系情况即可.第三步:判断 X 对 Y 的影响关系方向回归系数 B 值大于 0 说明正向影响,反之负向影响.第四步:其它比如对比影响程度大小(回归系数 B 值大小对比 X 对 Y 的影响程度大小)分析项分析项逐步回归分析说明逐步回归分析说明1v1.0 可编辑可修改网购满意度,重复网购满意度 20 项;其中具体那几项会影响到样本重复购买意愿 20 项过购买意愿分析结果表格示例如下:非标准化系数标准化系数多,让软件自动删除掉没有影响的项,余下有影响的项tpVIFR2调整R2FB标准误Beta*常数-*-分析项 1*分析
3、项 2*分析项 3*p*p备注:逐步回归分析仅在回归分析的基础上，加入了一项功能，即自动化移除掉不显著的 X，通常逐步回归分析用于探索研究中。逐步回归分析之后，可对回归模型进行检验。可包括以下四项：多重共线性：多重共线性：可查看 VIF 值，如果全部小于 10（严格是 5），则说明模型没有多重共线性问题，模型构建良好；反之若VIF 大于 10 说明模型构建较差。自相关性：自相关性：如果 D-W 值在 2 附近（之间），则说明没有自相关性，模型构建良好，反之若 D-W 值明显偏离 2，则说明具有自相关性，模型构建较差。自相关问题产生时建议对因变量 Y 数据进行查看。2v1.0 可编辑可修改残差正
4、态性：残差正态性：在分析时可保存残差项，然后使用“正态图”直观检测残差正态性情况，如果残差直观上满足正态性，说明模型构建较好，反之说明模型构建较差。如果残差正态性非常糟糕，建议重新构建模型，比如对Y 取对数后再次构建模型等。异方差性：异方差性：可将保存的残差项，分别与模型的自变量 X 或者因变量 Y，作散点图，查看散点是否有明显的规律性，比如自变量 X 值越大，残差项越大/越小，这时此说明有规律性，模型具有异方差性，模型构建较差。如果有明显的异方差性，建议重新构建模型，比如对 Y 取对数后再次构建模型等。另外，如果回归分析出现各类异常，请查看数据中是否有异常值（可通过比如描述分析、箱盒图、散点图等查看），找出异常值，并且处理掉异常值（使用“异常值”功能）。也或者使用稳健回归（Robust 回归进行分析，Robust 回归是专门处理异常值情况下的回归模型）SPSSAU 操作截图如下：3v1.0 可编辑可修改4
spssau逐步回归分析操作
