1樓：疏星明滅
你這個表裡只有回歸係數的資訊
你所要的相關係數應該在上乙個表中
r方是確定係數
r就是你所說的相關係數了
你自己找找看上乙個表有沒有乙個r傎，那就是相關係數了
2樓：匿名使用者
第二列數，回歸的截距為2.345，斜率為29.392。
3樓：匿名使用者
相關係數？回歸係數？
spss線性回歸分析結果怎麼看
4樓：守護者煩
model summary 是對模型擬合效果的總結，r是相關係數，r2是決定係數，係數越大表面擬合效果越好。
anova是方差分析，然後f檢驗
coefficients就是回歸結果，得到的回歸方程的係數
spss的線性回歸結果怎麼看
5樓：匿名使用者
回歸方程，f檢驗的p>0.05，不顯著。
係數那裡也一樣，不顯著。
相關係數0,55，估計沒有幾個資料，兩者沒有什麼相關性。
spss進行線性回歸分析時,相關係數都符合,但是顯著性不符合,如何調整
6樓：匿名使用者
線性回歸時候，相關係數只是表明了各個係數之間的相關程度。但是自變數對因變數不顯著的話，可能存在多重共線性、資料存在異常值、異方差的問題。
1、自變數存在共線性問題
在進行線性回歸分析時，很容易出現自變數共線性問題，通常情況下vif值大於10說明嚴重共線，vif大於5則說明有共線性問題。當出現共線性問題時，可能導致回歸係數的符號與實際情況完全相反，本應該顯著的自變數不顯著，本不顯著的自變數卻呈現出顯著性。
解決方法：手動移除出共線性的自變數，先做下相關分析，如果發現某兩個自變數x（解釋變數）的相關係數值大於0.7，則移除掉乙個自變數（解釋變數），然後再做回歸分析。
逐步回歸法，讓軟體自動進行自變數的選擇剔除，逐步回歸會將共線性的自變數自動剔除出去。
2、資料存在異常值，如果資料中存在極端異常值，會導致資料偏移對分析結果產生嚴重影響。如果回歸分析出現各類異常，可通過比如描述分析、箱線圖、散點圖等方法，找出並處理掉異常值後再做分析。
解決方法：檢視資料中是否有異常值，可通過箱線圖、散點圖檢視，剔除異常值可通過spssau「異常值」功能進行剔除。
3、異方差，如果模型存在明顯的異方差性，會影響回歸係數的顯著情況，得到的回歸模型是低效並且不穩定的。
解決方法：儲存殘差項，將殘差項分別與模型的自變數x或者因變數y，作散點圖，檢視散點是否有明顯的規律性。如果有明顯的異方差性，建議重新構建模型，比如對y取對數後再次構建模型等。
如果排除了這些原因還是不顯著，那麼基本說明該變數對被解釋變數無顯著影響。
擴充套件資料
在做實證就是做回歸等等方法的時候，一般就看中三點，一是相關係數，看因變數和自變數是否相關。二是擬合優度（r平方），看回歸方程擬合的好不好，一般0.8以上就算擬合的比較好了。
三是自變數的係數對於因變數是否顯著啦，p值小於0.05就說明自變數對於因變數是顯著的。如果自變數的p值都比0.
05大，那就說明自變數對於因變數是不顯著的，這個自變數就沒什麼意義，所以如果變數比較多的情況下，還是做一下逐步回歸。
如果變數比較少，做逐步回歸就會導致最後有可能只剩下乙個變數。逐步回歸就是乙個模型優化的過程，更加能解釋自變數和因變數之間的關係，一般回歸之後效果不好都要逐步回歸來優化線性模型的。
7樓：匿名使用者
你是想調整資料呢還是想調整什麼呢？
線性回歸時候，相關係數只是表明了各個係數之間的相關程度。但是自變數對因變數不顯著的話，只能說明自變數多因變數影響不大，可以考慮換其他的跟因變數關係更加大的變數。或者在自變數多的情況下，用逐步回歸的方法，提取出與因變數相關最大的自變數。
spss線性回歸檢驗是否相關是看哪個值？求解！
8樓：我們
相關係數r呢？決定係數r方呢？
你這裡是只有兩個自變數size和ps嗎？因變數roe。
你用的是全變數回歸還是逐步回歸？
你給的圖不全
回歸方程進行檢驗f=2.693，p=0.074，回歸方程無統計學意義我感覺你用的是全變數回歸，對係數表進行解釋，有兩個自變數，ps 和size的p都是大於0.
05，沒有統計學意義，也就是說如果你用逐步回歸的話，這兩個變數都不會被選入。
還有乙個重要的表，是模型彙總表，裡面相關係數r和決定係數r方。
你看看我的舉例：
這裡面有10個變數，我用的是全變數回歸，因變數是血紅蛋白，回歸顯示，只有紅細胞計數和血小板計數有意義。我換用逐步回歸，入選的兩個變數正好是紅細胞計數和血小板計數。
你要是有原始資料，發給我，可以幫你看看。
9樓：匿名使用者
哪有什麼相關，相關係數需要單獨去做呀！回歸裡除非你勾選了相關矩陣，你的圖例沒有
怎樣用spss做一元線性回歸？具體怎麼檢驗相關性
10樓：匿名使用者
1、開啟spss軟體，在提示符後輸入因變數y和自變數x的資料。
2、接下來使用r中作線性模型的函式lm()函式，lm(y~x+1)表示做有截距的線性回歸模型，接下來lm(y~x)也是表示有截距的線性回歸模型，lm(y~x+0)和lm(y~x-1)則表示過原點的線性回歸模型，紅色部分即為輸出結果。
3、在上述結果中，只得出了回歸方程的係數和截距，要提取模型資訊就要用到summary()函式。得到的結果就比剛剛多了很多資訊了。
4、接下來對所得結果進行分析：結果中call部分列出了相應的回歸模型公式，residuals部分列出了殘差的最小值點、四分之一分位點、中位數點、四分之三分位點和最大值點。
coefficients部分中 estimate 是回歸方程引數的估計值，std. error表示回歸引數的標準差，t value 即為t值，pr(>|t|) 即為p值，後面的***為顯著性標記，*越多越顯著。
5、當模型通過檢驗，可用於**，此時我們需要用到r中的predict()函式，假設要**x等於0.16時y的值，其中interval="prediction"表示求**點的值的同時要給出相應的**區間，level=0.95表示求95%的置信區間。
6、分析結果： fit 值即為x=0.16時y的**值，lwr和upr分別表示**區間的上下限。一般的回歸分析做到這裡就可以了。
11樓：匿名使用者
分析--回歸--線性，回歸方程由標準化回歸係數和變數組成，
檢驗：分析--回歸--線性，method為進入，統計量中，右邊選擇回歸模式適合度檢驗，解釋量的該變數、共線性診斷。係數表中，beta值為標準化回歸係數，檢視其是否顯著
12樓：斛孤俎光熙
用福利的原始分數作為自變數進行分析是完全可以的。這個自變數的資料型別屬於等距變數，即沒有絕對零點但是有相等單位的資料。這種資料型別符合回歸分析的資料要求。
同時，如果覺得原始分數的代表性不是很強，也可以將福利水平進行分組，如60分以下為福利差，60到80分屬於福利一般，80分以上屬於福利好，用處理後的資料進行回歸分析也是可以的。
個人認為還有一點可以注意，用乙個單一的自變數對因變數進行**可能無法達到很高的準確性，因為問題通常都是有多種因素共同決定的，如果可以同時考慮其他相關因素的影響，回歸分析的可靠性可能更強。
spss 線性回歸分析中，係數表解讀
13樓：匿名使用者
vif太高了，存在嚴重的多重共線性
14樓：匿名使用者
我特意查了書的，寫進方程的一定是非標準化回歸係數，而標準化的回歸係數只是進行自變數間的比較
線性回歸方程中相關係數r小於0999的原因
回歸係數越bai大表示 x對y影響du越大,正回歸zhi係數表示y隨x增大而增大dao,負回歸回係數表示y隨x增大而減小.回歸方程序答 y bx a中之斜率b,稱為回歸係數,表x每變動1單位,平均而言,y將變動b單位.一元線性回歸分析中,相關係數為1,就沒什麼意義了相關係數是變數之間相關程度的指標....
請問SPSS怎麼做線性回歸分析，怎麼用spss進行回歸分析 控制變數
如果覺來得spss太難懂，可以嘗試一些在源線自動生成回歸 分析報告的 工具 先輸入資料，然後圖形 散點圖，選擇自變數與因變數，輸出圖形，看看點是不是版 分布在同一直線權上，如果比較分散也沒必要做了。如果比較集中分布，接下來就可以做，分析 回歸 線性，再看看引數與模型是否通過檢驗，就得到線性回歸模型。...
spss軟體的線性回歸分析中，輸出了anova表，表中的
1 回歸是方法，殘差在數理統計中是指實際觀察值與估計值 擬合值 之間的差，平方和有很多個，不同的平方和的意思不一樣，與樣本量及模型中自變數的個數有關，樣本量越大，相應變異就越大 2 df是自由度，是自由取值的變數個數 3 均方指的是一組數的平方和的平均值，在統計學中，表示離差平方和與自由度之比 4 ...