1樓：匿名使用者
打個比方，南北地域與身高，單因素的相關肯定會顯著且很高，但這兩者之間是直接相關嗎？不是，是基因、飲食、環境等影響到身高的差異。而多因素回歸則是考察多因一果中每個因對果的影響，其回歸係數是在控制了其它變數的情況下，它與因變數的淨相關。
單因素方差分析有差異，多因素線性回歸分析結果不相關，是為什麼 15
2樓：匿名使用者
很簡單那，因為你這些指標之間存在高度相關性，才會導致你回歸的錯誤
專業分析找我做
3樓：ppv課
你去掉中層動脈厚度試試看回歸結果。再看看所有變數做雙變數相關的結果。可能太多了，不好判斷。ppv課吧，求關注！！！
spss統計時為什麼不相關的因素，做回歸時反而是回歸的？
4樓：匿名使用者
你要注意進入標準和剔除標準的設定
做專業資料分析，找我吧
5樓：段啟印慧麗
當被解釋變數為0/1二值品質型變數時，建立一般的多元線性回歸模型會出現問題（具體的問題有三點：1殘差不再滿足建立多元線性回歸的假設條件；2、殘差不再服從正態分佈；3、被解釋變數的取值區間受限制）所以，當被解釋變數時0/1二值品質變數時，無法直接採用一般的多元線性回歸模型建模，通常應採用logistic回歸。
根據你給的題目的意思，因為，你的因變數是數值變數，既被解釋變數是數值變數，所以，你應該要用一般的多元線性回歸模型來分析你的資料，而不是用logistic回歸。至於，你自變數中，出現的分類變數，你要對其進行分析的話，你就必須加入虛擬變數進行分析。關於這個虛擬變數的加入問題，你可以上網查一些相關的資料。
為什麼多因素回歸分析都先做單因素分析，把有統計學意義的納入自變數，沒意義的不納入呢
6樓：
對於因變數來說沒意義自變數當然不能納入。
譬如學生的學習成績與下列因素有關：1.智商 2.勤奮程度 3.課程與試題難度 4.興趣 5.考試的臨場發揮 6.。。。等等
如果你再加上與 年齡 身高 相關 那不很可笑嗎相同的原理
單因素統計和多因素回歸分析有什麼區別
7樓：學雅思
一、概念不同
1、單因素統計：單因素分析（monofactor analysis）是指在乙個時間點上對某一變數的分析。
2、多因素回歸分析：指在相關變數中將乙個變數視為因變數，其他乙個或多個變數視為自變數，建立多個變數之間線性或非線性數學模型數量關係式並利用樣本資料進行分析的統計分析方法。
二、方法不同
1、單因素統計：試驗單元編號、隨機分組。
2、多因素回歸分析：引進虛擬變數的回歸分析、曲線回歸、多元回歸模型。
三、應用方向不同
1、單因素統計：單因素的盆栽試驗；溫室內、實驗室內的實驗等，應用該設計，若實驗中獲得的資料各處理重複數相等，採用重複數相等的單因素資料方差分析法分析，若實驗中獲得的資料各處理重複數不相等，則採用重複數不等的單因素資料方差分析法分析。
2、多因素回歸分析：影響因變數的因素有多個，這種多個自變數影響乙個因變數的問題可以通過多元回歸分析來解決。
例如，經濟學知識告訴我們，商品需求量q除了與商品**p有關外，還受到替代品的**、互補品的**，和消費者收入等因素，甚至還包括商品品牌brand這一品質變數(品質變數不能用數字來衡量，需要在模型中引入虛擬變數)的影響。
統計學中單因素分析和線性回歸分析的區別
8樓：匿名使用者
對於因變數來說沒意義自變數當然不能納入。譬如學生的學習成績與下列因素有關：1.
智商2.勤奮程度3.課程與試題難度4.
興趣5.考試的臨場發揮6.。。。等等如果你再加上與年齡身高相關那不很可笑嗎相同的原理
單因素方差分析與多因素方差分析結果不一是怎麼回事
9樓：寶愛吃巧克力
^方差分析的f檢驗值f=(sa)^2 / (se)^2 一元方差分析和二元方差分析的(sa)^2 是相同的，而(se)^2不相同。 這就可能造成了同乙個因素的f檢驗值不相等。 你說的這種情況一元方差分析水位對4種植物均有顯著性影響，很可能是下列的情形：
實際上是剛剛達到顯著性（我的意思是f的臨界值假設是2.1，實際的檢驗值比2.1大不了多少，而不會是20,40等之類的差距很大的資料）。
所以在二元方差分析時就有可能會是不顯著了。一元方差分析是水位的f檢驗值如果遠大於f的臨界值，在進行二元方差分析時也很可能顯著。 統計學的檢驗不像純數學那樣非常嚴謹！
另外提醒一點的是：當多餘兩個因素時，不應用方差分析，而是採用正交試驗。
相關分析與回歸分析的聯絡與區別是什麼？詳細點的，高手來
10樓：龍源期刊網
最低0.27元開通文庫會員，檢視完整內
11樓：木子青耶
1.回歸分析與相關分析的聯絡：
（1）研究在專業上有一定聯絡的兩個變數之間是否存在直線關係，以及如何求得直線回歸方程等問題，需進行直線相關和回歸分析。
（2）如果為了解兩變數之間呈直線關係的密切程度和方向，適合選用線性相關分析；
如果為了建立由自變數推算因變數的直線回歸方程，適合選用直線回歸分析。
（3）作相關分析時，要求兩變數都是隨機變數；
作回歸分析時要，要求求因變數是隨機變數，自變數可以是隨機的，也可以是一般變數。
（4）用計算器實現統計分析時，可用對相關係數的檢驗取代對回歸係數的檢驗,簡潔明瞭。
2.回歸分析和相關分析的區別：
（1）在回歸分析中，y處在被解釋的特殊地位；
而在相關分析中，研究x與y的密切程度和研究y與x的密切程度是一致的；
（2）相關分析中，x與y都是隨機變數；
而在回歸分析中，y是隨機變數，x可以是隨機變數，也可以是非隨機的，通常在回歸模型中，總是假定x是非隨機的；
（3）相關分析主要兩個變數之間的密切程度，
而回歸分析揭示x對y的影響大小，同時可以進行數量上的**和控制。
參考資料:中華考試網－統計師《統計相關知識》之相關分析與回歸分析
12樓：匿名使用者
一、相關分析與回歸分析的區別：
1、劃分不同：相關分析中涉及的變數不存在自變數和因變數的劃分問題，變數之間的關係是對等的；而在回歸分析中，則必須根據研究物件的性質和研究分析的目的，對變數進行自變數和因變數的劃分。因此，在回歸分析中，變數之間的關係是不對等的。
2、變數不同：在相關分析中所有的變數都必須是隨機變數；而在回歸分析中，自變數是確定的，因變數才是隨機的。
3、大小不同：相關分析主要是通過乙個指標即相關係數來反映變數之間相關程度的大小，由於變數之間是對等的，因此相關係數是唯一確定的。而在回歸分析中，對於互為因果的兩個變數，則有可能存在多個回歸方程。
二、相關分析與回歸分析的聯絡
1、相關分析是回歸分析的基礎和前提，回歸分析則是相關分析的深入和繼續。相關分析需要依靠回歸分析來表現變數之間數量相關的具體形式，而回歸分析則需要依靠相關分析來表現變數之間數量變化的相關程度。
2、只有當變數之間存在高度相關時，進行回歸分析尋求其相關的具體形式才有意義。如果在沒有對變數之間是否相關以及相關方向和程度做出正確判斷之前，就進行回歸分析，很容易造成「虛假回歸」。
1、 從統計分析的角度上講，對於傳統的單因素分析方法，其結果展示相對簡單，它們僅能提示組間均值或率的分布差異有無統計學顯著性；
2、而採用單因素回歸分析，除了定性的展示組間差異外，還可以提供更為豐富的資訊，比如偏回歸係數(β)的估計值、效應估計值(or、rr值)等等，這些統計指標能夠在一定程度上反映該指標的效應大小和可信區間。
3、對於回歸分析來說，先做單因素回歸，再做多因素回歸，這種分析思路展現了從單獨乙個因素到控制多個混雜因素的變化過程。
4、此時，單因素回歸分析的結果對於變數的篩選就顯得很有意義，我們可以根據前後偏回歸係數或者or值的變化，來協助判斷是否需要將其納入到多因素回歸中進行調整和控制。
13樓：匿名使用者
相關分析與回歸分析的研究目的不相同，相關分析用於描述變數之間是否存在關係，而回歸分析則是研究影響關係情況，反映乙個x或者多個x對y的影響程度。
相關分析只能研究變數之間相關的方向和程度，卻不能得到變數之間相互關係的具體形式，也無法從乙個變數的變化來推測另乙個變數的變化情況，而這些都可以通過回歸分析得出。
因而分析時首先應該確定研究變數之間是否存在關係，即先進行相關分析。當兩個變數之間存在顯著的關聯時，再進行回歸分析。有了相關關係，才可能有回歸影響關係，如果沒有相關關係，也不應該有影響關係。
兩種方法均可用spssau進行分析，並得到標準化分析結果，配合智慧型文字分析快速解讀資料報告。
單因素方差分析與雙因素的結論不一樣是為什麼? 5
14樓：
這兩個的分析思路是不一樣的。一般來說，anova的分析中顯著性會高很多，而你說的一般線性分析求的是主效應，它的顯著性比anova受到的影響因素更多一些，因此也更低一點。但是，從規範的統計學分析而言，一般涉及多個因子的時候，都會要求先做主效應，然後再對主效應顯著的進行深入分析，採用anova看顯著性的**是什麼。
不知道我的理解是不是準確，拋磚引玉一下，一定會有高手來解決的。
SPSS怎麼使用 我要做描述性統計分析
spss裡面抄的描述統計主要在analyze 襲 descriptive裡面，其中bai有描述統計 頻數統計 交du叉分析等zhi 公司的資本結dao構與盈利能力光靠描述統計好象是不夠的吧，你需要建立乙個模型來分析結構和盈利能力的關係，建議用回歸分析。analysis descriptive 資料分...
客流統計用什麼牌子的好，客流統計分析系統有哪些品牌
客流統計品牌選擇 1.實力知名度是一部分 2.根據需求選擇，如商業客流統計，車載客流統計3.應看企業的專案例項效果作為參考 4.服務與售後是否到位。高階品牌客流統計系統 平方和資訊科技客流統計，有經典案例做參考，準確率98 業內都說口碑很不錯，你可以去看看！有些確實是copy又貴又坑，之前有問過兩家...
growingio資料統計分析的怎麼樣，用過的朋友介紹下具體
業務需要，簡單了解過growingio和bdp，現在來對比下兩者的區別 1 資料來源處理 growingio無埋 點採集是優勢，需要編寫 即可，bdp的採集功能比起growingio要複雜。bdp的強大在於資料來源接入，支援接入資料庫 各種第三方平台 客戶 erp crm等 本地工作表等一切資料，整...