1）准备分析数据

回归分析spss步骤(回归分析spss怎么做)

在spss数据编辑窗口中，创建变量，并输入数据。再创建分级变量逗x1地、逗x2地、逗x3地、逗x4地和逗y地，它们对应的分级数值可以在spss数据编辑窗口中通过计算产生。

2）启动线性回归过程

单击spss主菜单的逗analyze地下的逗regression地中逗linear地项，将打开线性回归过程窗口。

3) 设置分析变量

设置因变量：用鼠标选中左边变量列表中的逗[y]地变量，然后点击逗dependent地栏左边的向右拉按钮，该变量就移到逗dependent地因变量显示栏里。

设置自变量：将左边变量列表中的逗 [x1]地、逗 [x2]地、逗 [x3]地、逗[x4]地变量，选移到逗independent(s)地自变量显示栏里。

设置控制变量:不使用控制变量，可不选择任何变量。

选择标签变量: 选择为标签变量。

选择加权变量:没有加权变量，可不作任何设置。

4）回归方式

预报因子变量是经过相关系数法选取出来的，在回归分析时不做筛选。因此在逗method地框中选中逗enter地选项，建立全回归模型。

5）设置输出统计量

单击逗statistics地按钮，将打开对话框。该对话框用于设置相关参数。其中各项的意义分别为：

①逗regression coefficients地回归系数选项：

逗estimates地输出回归系数和相关统计量。

逗confidence interval地回归系数的95%置信区间。

逗covariance matrix地回归系数的方差-协方差矩阵。

选择逗estimates地输出回归系数和相关统计量。

②逗residuals地残差选项：

逗durbin-watson地durbin-watson检验。

逗casewise diagnostic地输出满足选择条件的观测量的相关信息。选择该项，下面两项处于可选状态：

逗outliers outside standard deviations地选择标准化残差的绝对值大于输入值的观测量；

逗all cases地选择所有观测量。

提交执行

在主对话框里单击逗ok地，提交执行，结果将显示在输出窗口

回归模型统计量：r 是相关系数；r square 相关系数的平方，又称判定系数，判定线性回归的拟合程度：用来说明用自变量解释因变量变异的程度（所占比例）；adjusted r square 调整后的判定系数；std. error of the estimate 估计标准误差。

SPSS统计软件可以用来做许多数据分析，回归分析就是其中之一。回归分析就是探索两种及其以上变量之间的关系，运用十分广泛，按照自变量和因变量之间的函数关系类型可以分为线性回归分析和非线性回归分析。回归分析不仅可以分析数据，更可以用来预测一些数据的发展情况，从而应用非常广泛。多因素回归分析步骤如下：

1、打开SPSS软件后点击右上角的【打开文件按钮】打开你需要分析的数据文件

2、接下来就是开始做回归分析建立模型，研究其变化趋势，因为回归分析分为线性回归和非线性回归，分析它们的办法是不同的，所以先要把握它们的变化趋势，可以画散点图，点击【图形】---【旧对话框】---【散点/点状】

3、选择【简单分布】，并点击【定义】，这种散点图是我们常见的，而其他几种都比较复杂，用到这儿就把简单问题复杂化了。

4、在接下来的弹出框中设置x轴和y轴，然后点击确定，其他都不要管，然后得到散点图，可以看出x轴和y轴明显呈线性关系，所以接下来的回归分析就要用线性回归方法，假设图像呈曲线就需要选择曲线拟合的方法。

5、点击【分析】---【回归】---【线性】

6、在弹出的线性回归框中设置自变量和因变量，其他的选项用默认设置即可，其他的选项只是用来更加精确地去优化模型

7、接下来就是结果分析了，一共在输出文档中弹出了四张表其中【系数表】就是所求出来的模型，根据B列写出函数表达式，这道题就是y=1.594x+26.659，sig均小于0.05表示自变量对因变量有显著影响。

8、【Anova表】表示分析结果，主要看的是F和Sig值，F值对应的Sig值小于0.05就可以认为回归方程是有用的，

9、【模型汇总表】中R表示拟合优度，值越接近1表示模型越好。至此回归分析就完成了图中的这个模型就是比合理的。

1、数据录入spss并且处理好。

2、分析——回归——线性。

3、选择自变量和因变量到对应的框，如下图。

4、点击下一页，如下图。

5、控制变量放进来，如下图。

6、结果都会有两个模型，可以对比控制变量放进来之后的各指标变化，一般看R放和系数表，如下图。

扩展资料：

spss软件的特点：

spss直接就有多元回归的按钮，控制变量和主要验证的自变量你自己能区分开就好，一起输入。这张图其实是做了四个多元回归。第一列也就是第一个模型，是以公司综合绩效为因变量，第一大股东持股比例为自变量，资产规模与资产负债率为控制变量的多元回归模型。

第二列是以公司综合绩效为因变量，前五大股东持股比例为自变量，资产规模与资产负债率为控制变量的多元回归模型。

多元线性回归

1.打开数据，依次点击：analyse--regression，打开多元线性回归对话框。

2.将因变量和自变量放入格子的列表里，上面的是因变量，下面的是自变量。

3.设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法。

4.等级资料，连续资料不需要设置虚拟变量。多分类变量需要设置虚拟变量。

虚拟变量ABCD四类，以a为参考，那么解释就是b相对于a有无影响，c相对于a有无影响，d相对于a有无影响。

5.选项里面至少选择95%CI。

点击ok。

spss使用多元逐步回归分析的方法过程：

1、在spss里variable view里，输入5个变量名称，可用中文。

2、在data view里分别录入5个变量对应的数据；

3、点击analyze--regession--linear，在弹出框里，把因变量（抑郁得分）选定在dependent里，其他4个变量选到independent里，method里建议选择stepwise，然后直接点ok就可以了；

4、结果里，R值就是回归的决定系数，代表各变量能解析因变量的程度。ANOVA里，sig小于0.05证明回归方程有效。constant对应的B值是截距（常数项），其他变量对应B值就是变量的影响系数。变量对应的beta值就是他们的标准化影响系数，数值最高的就是影响力度最大的因素。最后的excluded variables是排除的变量，就是说在这个框里的因子就是对特定变量几乎没什么影响的。

用SPSS进行回归分析，实例操作如下：

单击主菜单Analyze / Regression / Linear…，进入设置对话框如图7-9所示。从左边变量表列中把因变量y选入到因变量（Dependent）框中，把自变量x选入到自变量（Independent）框中。在方法即Method一项上请注意保持系统默认的选项Enter，选择该项表示要求系统在建立回归方程时把所选中的全部自变量都保留在方程中。所以该方法可命名为强制进入法（在多元回归分析中再具体介绍这一选项的应用）。具体如下图所示：

请单击Statistics…按钮，可以选择需要输出的一些统计量。如Regression Coefficients(回归系数)中的Estimates，可以输出回归系数及相关统计量，包括回归系数B、标准误、标准化回归系数BETA、T值及显著性水平等。Model fit项可输出相关系数R，测定系数R2，调整系数、估计标准误及方差分析表。上述两项为默认选项，请注意保持选中。设置如图7-10所示。设置完成后点击Continue返回主对话框。

回归方程建立后，除了需要对方程的显著性进行检验外，还需要检验所建立的方程是否违反回归分析的假定，为此需进行多项残差分析。由于此部分内容较复杂而且理论性较强，所以不在此详细介绍，读者如有兴趣，可参阅有关资料。

用户在进行回归分析时，还可以选择是否输出方程常数。单击Options…按钮，打开它的对话框，可以看到中间有一项Include constant in equation可选项。选中该项可输出对常数的检验。在Options对话框中，还可以定义处理缺失值的方法和设置多元逐步回归中变量进入和排除方程的准则，这里我们采用系统的默认设置，如图7-11所示。设置完成后点击Continue返回主对话框。

在主对话框点击OK得到程序运行结果。

如果觉得SPSS太难懂，可以尝试一些在线自动生成回归分析报告的网站工具。点点鼠标就可以生成回归分析的报告，不需要动脑，这类工具比如：微思智能写作的在线回归分析工具 等。但是如果要求是很专业的那种，估计还得你自己来写。

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至[email protected] 举报，一经查实，本站将立刻删除。