spss多元线性回归
SPSS—回归—多元线性回归结果分析
SPSS—回归—多元线性回归结果分析（二），最近一直很忙，公司的潮起潮落，就好比人生的跌岩起伏，眼看着一步步走向衰弱，却无能为力，也许要学习“步步惊心”里面“四阿哥”的座右铭：“行到水穷处”，”坐看云起时“。
接着上一期的“多元线性回归解析”里面的内容，上一次，没有写结果分析，这次补上，结果分析如下所示：结果分析1：由于开始选择的是“逐步”法，逐步法是“向前”和“向后”的结合体，从结果可以看出，最先进入“线性回归模型”的是“price in thousands"建立了模型1，紧随其后的是“Wheelbase"建立了模型2，所以，模型中有此方法有个概率值，当小于等于0.05时，进入“线性回归模型”（最先进入模型的，相关性最强，关系最为密切）当大于等0.1时，从“线性模型中”剔除结果分析：1：从“模型汇总”中可以看出，有两个模型，（模型1和模型2）从R2 拟合优度来看，模型2的拟合优度明显比模型1要好一些（0.422>0.300）2：从“Anova"表中，可以看出“模型2”中的“回归平方和”为115.311，“残差平方和”为153.072，由于总平方和=回归平方和+残差平方和，由于残差平方和(即指随即误差，不可解释的误差）由于“回归平方和”跟“残差平方和”几乎接近，所有，此线性回归模型只解释了总平方和的一半，3：根据后面的“F统计量”的概率值为0.00，由于0.00<0.01，随着“自变量”的引入，其显著性概率值均远小于0.01，所以可以显著地拒绝总体回归系数为0的原假设，通过ANOVA方差分析表可以看出“销售量”与“价格”和“轴距”之间存在着线性关系，至于线性关系的强弱，需要进一步进行分析。
结果分析：1：从“已排除的变量”表中，可以看出：“模型2”中各变量的T检的概率值都大于“0.05”所以，不能够引入“线性回归模型”必须剔除。
从“系数a” 表中可以看出：1：多元线性回归方程应该为：销售量=-1.822-0.055*价格+0.061*轴距但是，由于常数项的sig为（0.116>0.1) 所以常数项不具备显著性，所以，我们再看后面的“标准系数”，在标准系数一列中，可以看到“常数项”没有数值，已经被剔除所以：标准化的回归方程为：销售量=-0.59*价格+0.356*轴距2：再看最后一列“共线性统计量”，其中“价格”和“轴距”两个容差和“vif都一样，而且VIF 都为1.012，且都小于5，所以两个自变量之间没有出现共线性，容忍度和膨胀因子是互为倒数关系，容忍度越小，膨胀因子越大，发生共线性的可能性也越大从“共线性诊断”表中可以看出：1：共线性诊断采用的是“特征值”的方式，特征值主要用来刻画自变量的方差，诊断自变量间是否存在较强多重共线性的另一种方法是利用主成分分析法，基本思想是：如果自变量间确实存在较强的相关关系，那么它们之间必然存在信息重叠，于是就可以从这些自变量中提取出既能反应自变量信息（方差），而且有相互独立的因素（成分）来，该方法主要从自变量间的相关系数矩阵出发，计算相关系数矩阵的特征值，得到相应的若干成分。
SPSS多元线性回归分析实例操作步骤
SPSS多元线性回归分析实例操作步骤在数据分析领域，多元线性回归分析是一种强大且常用的工具，它能够帮助我们理解多个自变量与一个因变量之间的线性关系。
接下来，我将为您详细介绍使用 SPSS 进行多元线性回归分析的具体操作步骤。
首先，准备好您的数据。
数据应该以特定的格式整理，通常包括自变量和因变量的列。
确保数据的准确性和完整性，因为这将直接影响分析结果的可靠性。
打开 SPSS 软件，在菜单栏中选择“文件”，然后点击“打开”，找到您存放数据的文件并导入。
在导入数据后，点击“分析”菜单，选择“回归”，再点击“线性”。
这将打开多元线性回归的对话框。
在“线性回归”对话框中，将您的因变量拖放到“因变量”框中，将自变量拖放到“自变量”框中。
接下来，点击“统计”按钮。
在“统计”对话框中，您可以选择一些常用的统计量。
例如，勾选“估计”可以得到回归系数的估计值；勾选“置信区间”可以得到回归系数的置信区间；勾选“模型拟合度”可以评估模型的拟合效果等。
根据您的具体需求选择合适的统计量，然后点击“继续”。
再点击“图”按钮。
在这里，您可以选择生成一些有助于直观理解回归结果的图形。
比如，勾选“正态概率图”可以检查残差的正态性；勾选“残差图”可以观察残差的分布情况等。
选择完毕后点击“继续”。
然后点击“保存”按钮。
您可以选择保存预测值、残差等变量，以便后续进一步分析。
完成上述设置后，点击“确定”按钮，SPSS 将开始进行多元线性回归分析，并输出结果。
结果通常包括多个部分。
首先是模型摘要，它提供了一些关于模型拟合度的指标，如 R 方、调整 R 方等。
R 方表示自变量能够解释因变量变异的比例，越接近 1 说明模型拟合效果越好。
其次是方差分析表，用于检验整个回归模型是否显著。
如果对应的p 值小于给定的显著性水平（通常为 005），则说明模型是显著的。
最重要的是系数表，它给出了每个自变量的回归系数、标准误差、t 值和 p 值。
回归系数表示自变量对因变量的影响程度，p 值用于判断该系数是否显著不为 0。
多元线性回归分析spss
多元线性回归分析spss
多元线性回归分析是一种常用的统计分析技术，用于对各因素之间的相互关系进行研究。
使用多元线性回归分析，可以检验一个或多个自变量对因变量具有统计学显著性的影响，从而推断出实际世界存在的不同因素可能带来的影响。
在spss中，我们使用下拉菜单选择“分析”>“回归”>“多元”来开始多元线性回归分析。
在多元线性回归窗口中，我们可以在右边的“可用变量”列中选择变量，拖拽到“因变量”和“自变量”栏中。
接下来，我们可以选择要使用的模型类型，其中包括多元线性回归，截距，变量中心以及相关的其他预测结果。
在进行模型拟合之前，我们可以在“多重共线性”复选框中对共线性进行调整，进行预测和显著性检验，并调整“参数估计”和“残差”复选框，自由地绘制结果。
在运行了多元线性回归分析之后，在spss中，我们可以在输出窗口中查看多元回归方程的系数和检验的结果，以及它们对回归系数的影响，残差分布情况，多重共线性分析和其他一些输出参数。
总而言之，spss中多元线性回归分析是一种有效的统计分析方法，可以用来检验多个自变量对回归方程的影响。
它具有许多内置功能，可以容易地针对回归系数和其他参数进行各种分析，提供了可信的结果，帮助人们深入了解各类因素对研究结果的影响。
SPSS多元线性回归分析实例操作步骤
SPSS多元线性回归分析实例操作步骤多元线性回归是一种常用的统计分析方法，用于探究多个自变量对因变量的影响程度。
SPSS（Statistical Package for the Social Sciences）是一款常用的统计软件，可以进行多元线性回归分析，并提供了简便易用的操作界面。
本文将介绍SPSS中进行多元线性回归分析的实例操作步骤，帮助您快速掌握该分析方法的使用。
步骤一：准备数据在进行多元线性回归分析之前，首先需要准备好相关的数据。
数据应包含一个或多个自变量和一个因变量，以便进行回归分析。
数据可以来自实验、调查或其他来源，但应确保数据的质量和可靠性。
步骤二：导入数据在SPSS软件中，打开或创建一个新的数据集，然后将准备好的数据导入到数据集中。
可以通过导入Excel、CSV等格式的文件或手动输入数据的方式进行数据导入。
确保数据被正确地导入到SPSS中，并正确地显示在数据集的各个变量列中。
步骤三：进行多元线性回归分析在SPSS软件中，通过依次点击"分析"-"回归"-"线性"，打开线性回归分析对话框。
在对话框中，将因变量和自变量移入相应的输入框中。
可以使用鼠标拖拽或双击变量名称来快速进行变量的移动。
步骤四：设置分析选项在线性回归分析对话框中，可以设置一些分析选项，以满足具体的分析需求。
例如，可以选择是否计算标准化回归权重、残差和预测值，并选择是否进行方差分析和共线性统计检验等。
根据需要，适当调整这些选项。
步骤五：获取多元线性回归分析结果点击对话框中的"确定"按钮后，SPSS将自动进行多元线性回归分析，并生成相应的分析结果。
结果包括回归系数、显著性检验、残差统计和模型拟合度等信息，这些信息可以帮助我们理解自变量对因变量的贡献情况和模型的拟合程度。
步骤六：解读多元线性回归分析结果在获取多元线性回归分析结果之后，需要对结果进行解读，以得出准确的结论。
spss多元线性回归分析
因变量：度量变量
自变量：度量变量（e.g., 收入）或非度量变量
（e.g.,职位）
建立统计关系（statistical relationship）
Total cost
=fixed cost + variable cost
Байду номын сангаас
No. Credit Card
自变量解释的变异=因变量总变异-SSE= 22-5.5=16.5
R方=自变量解释的变异/因变量总变异=16.5/22=0.75
回归方程：Y = b0 +b1 V1 +b2 V2 + ε
预测值 = 0.482 +0.63 V1+0.216 V2
对于第1个家庭：
= 0.482 + 0.63*2 +0.216*14 = 4.76
回归方程： = 2.87 + 0.97 V1
对于第1个家庭：
= 2.87 + 0.97*2 = 4.81
实际观测值 Y = 4
残差：4-4.81 = -0.81
残差平方：（-0.81）* （-0.81）= 0.66
SSE
残差平方和
R方：自变量解释了多少因变量的总变异
1 线性回归基本理论
2 多元线性回归的步骤
3 使用SPSS进行多元线性回归
4 回归值预测和残差分析
5 多重共线性分析
6 逐步回归
7 层次线性回归
SPSS多元线性回归
如何用SPSS进行多元线性回归1、导入数据首先打开SPSS软件，选中打开其他文件，然后把查找范围定位到数据所在位置（我这里是在桌面），然后在文件类型上选择你的文件类型（我这里是Excel），然后选中数据文件，点击打开。
在弹出的对话框中点击确定2、进行描述性统计首先点击菜单栏中的分析-描述统计-描述出现如下页面，选中想要进行描述性统计的变量到右边变量框中。
如图所示，点击选项，选择需要SPSS汇报的描述性统计：结果如图，这里只选择平均值、标准偏差、最小值和最大值：得出描述性统计如图：注意：结果是可以复制粘贴到Excel里面的。
3、相关性分析首先点击菜单栏中的分析-相关-双变量同样按照描述性统计的操作，把想要进行分析的变量选中，选择Pearson相关系数，并进行双尾检验（一般性操作），点击确定即可。
得出如下结果：一般来讲，相关系数大于0.6就说明可能会存在多重共线性问题，而且相关系数比较显著（右上角有两个星号，说明结果在0.01的水平上显著），结论：GYZCZ和SCALE可能存在多重共线性。
4、回归以及回归诊断首先点击分析-回归-线性因变量和自变量选择好，如图所示：点击右上角的Statistics，出现如下菜单，选择共线性诊断和Durbin-Watson检验（检验序列相关性），然后点击继续。
点击右上角的绘图，出现如下界面，按照图示进行选择，这一步是为了进行异方差的初步验证，然后点击继续。
以上全部设定好了之后，点击确定即可。
主要结果分析：可决系数R方值为0.432，调整后的R方是0.414，说明模型拟合程度还不错（一般大于0.3都还能接受）。
D.W.值为0.828，说明存在正的序列相关性（如果是横截面数据，则不需要考虑，如果是时间序列数据就需要考虑用差分法、广义最小二乘、可行的广义最小二乘等方法）F值通过检验（显著性为0.000），说明模型的整体线性性满足。
共线性诊断：看方差膨胀因子（VIF），GYZCZ与SCALE的VIF值大于10，说明存在多重共线性，需要剔除这两个变量。
多元线性回归spss
多元线性回归是一种用于描述一个或多个变量(自变量)之间关系的统计学方法。
多元线性回归可以用来预测或估计一个自变量（也称为解释变量）的值，基于一组其他的自变量（也称为预测变量）的值。
SPSS是一款专业的统计分析软件，可以用来进行多元线性回归分析。
使用SPSS进行多元线性回归的步骤如下：
1.准备数据：在SPSS中，你需要准备待分析的数据，包括自变量和因变量。
2.执行回归分析：在SPSS中，可以使用“分析”菜单中的“回归”选项，在此菜单中选择“多元线性回归”，并确定自变量和因变量。
3.分析结果：多元线性回归的结果将会显示在一个表格中，包括拟合参数，R方值，F 检验等。
通过对这些结果的分析，可以了解自变量对因变量的影响程度。
4.模型检验：SPSS也可以用于检验多元线性回归模型的合理性，包括残差分析、多重共线性检验、异方差性检验等。
多元线性回归分析是一项重要的数据分析技术，SPSS是一款功能强大的统计分析软件，提供了多元线性回归分析的完整功能，可以帮助研究者更好地探索数据的内在规律，从而更好地理解和把握数据的特点。
SPSS多元线性回归结果分析
SPSS多元线性回归结果分析输出下⾯三张表第⼀张R⽅是拟合优度对总回归⽅程进⾏F检验。
显著性是sig。
结果的统计学意义，是结果真实程度（能够代表总体）的⼀种估计⽅法。
专业上，p 值为结果可信程度的⼀个递减指标，p 值越⼤，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。
p 值是将观察结果认为有效即具有总体代表性的犯错概率。
如 p=0.05 提⽰样本中变量关联有 5% 的可能是由于偶然性造成的。
即假设总体中任意变量间均⽆关联，我们重复类似实验，会发现约 20 个实验中有⼀个实验，我们所研究的变量关联将等于或强于我们的实验结果。
（这并不是说如变量间存在关联，我们可得到 5% 或 95% 次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效⼒有关。
）在许多研究领域，0.05 的 p 值通常被认为是可接受错误的边界⽔平。
F检验：对于多元线性回归模型，在对每个回归系数进⾏显著性检验之前，应该对回归模型的整体做显著性检验。
这就是F检验。
当检验被解释变量y t与⼀组解释变量x1, x2 , ... , x k -1是否存在回归关系时，给出的零假设与备择假设分别是H0：b1 = b2 = ... = b k-1 = 0 ,H1：b i, i = 1, ..., k -1不全为零。
⾸先要构造F统计量。
由（3.36）式知总平⽅和（SST）可分解为回归平⽅和（SSR）与残差平⽅和（SSE）两部分。
与这种分解相对应，相应⾃由度也可以被分解为两部分。
SST具有T - 1个⾃由度。
这是因为在T个变差 ( y t -), t = 1, ..., T，中存在⼀个约束条件，即 = 0。
由于回归函数中含有k个参数，⽽这k个参数受⼀个约束条件制约，所以SSR具有k -1个⾃由度。
因为SSE中含有T个残差，= y t -, t = 1, 2, ..., T，这些残差值被k个参数所约束，所以SSE具有T - k个⾃由度。
多元线性回归的SPSS实现
多元线性回归的SPSS实现首先，我们需要收集相关的数据，包括自变量和因变量的观测值。
在SPSS软件中，打开数据文件，并确保变量的名称和类型正确。
接下来，我们需要选择"回归"菜单下的"线性"选项。
在弹出的对话框中，将因变量移动到"因变量"栏，将自变量移动到"自变量"栏。
如果有多个自变量，可以通过按住Ctrl键选择多个变量进行移动。
在回归对话框的"统计"选项卡中，可以勾选一些统计指标，如标准化回归系数、t检验等，用于分析回归模型的拟合程度和自变量的显著性。
在"方法"选项卡中，可以选择不同的回归方法，包括逐步回归、正向选择等。
逐步回归会根据其中一种准则，逐步选取自变量进入模型，正向选择则会一次性选择所有的自变量进入模型。
点击"确定"按钮后，SPSS会自动执行回归分析，并将结果显示在输出窗口中。
输出结果包括回归系数、t检验、R方等统计指标，用于评估模型的拟合程度和自变量的显著性。
此外，在输出窗口的回归结果中，还可以查看残差分析、共线性诊断等信息，用于进一步分析模型的准确性和可解释性。
最后，根据回归结果进行解读和分析。
可以根据回归系数的大小和显著性，判断自变量对因变量的影响程度和方向。
同时，也可以通过根据模型的拟合程度（R方值）判断模型的适用性和预测能力。
需要注意的是，在使用多元线性回归进行分析时，还需要遵循一些假设前提，如线性关系、正态分布、无多重共线性等。
在实施回归分析之前，需要对数据进行验证，以确保这些前提条件的满足。
综上所述，SPSS软件提供了多元线性回归的实现工具，通过选择相应的选项和设置参数，可以进行回归模型的建立和分析。
同时，还可以通过输出结果进行解读和分析，以获得关于因变量和自变量之间的关系的深入理解。
多元线性回归的SPSS实现
多元线性回归的SPSS实现
接下来，我们进入多元线性回归分析过程。
在菜单栏选择"回归"，然后选择"线性"。
将自变量和因变量添加到"因变量"和"自变量"框中。
可以通过拖拽变量到框中，或者使用箭头按钮来添加变量。
请确保选择正确的变量，并按照研究目的和理论基础进行选择。
在"统计"菜单中，SPSS提供了一些重要的检验和结果输出选项。
其中，"检验"选项提供了多元共线性和异方差性等问题的检验，例如改进的燕达可决系数、方差膨胀因子等。
"图形"选项提供了残差图、正态概率图等图形结果。
在多元线性回归模型设定中，可以选择是否加入交互项。
交互项可以用于分析两个或多个自变量之间的交互效应。
在"选项"菜单中，可以勾选"交互"选项并设置交互项的组合。
在进行多元线性回归分析时，还需要考虑到模型的鲁棒性和假设的满足程度。
可以使用"异常值"选项来检测并处理异常值，以提高模型的稳定性。
在"选项"菜单中，可以勾选"异常值"选项，SPSS将生成回归系数的鲁棒和标准误差。
综上所述，通过SPSS软件的多元线性回归分析功能，我们可以有效地分析和解释多个自变量对因变量的影响。
通过合理设置选项和参数，并结合结果的检验和图形，可以得出科学、准确和可信的结论。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实战之多元线性回归
数据预处理
数据预处理包括的内容非常广泛，包括数据清理和描述性数据汇总，数据集成和变换，数据归约，数据离散化等。
本次实习主要涉及的数据预处理只包括数据清理和描述性数据汇总。
一般意义的数据预处理包括缺失值填写和噪声数据的处理。
于此我们只对数据做缺失值填充，但是依然将其统称数据清理。
数据导入与定义
单击“打开数据文档”，将xls格式的全国各地区能源消耗量与产量的数据导入SPSS 中，如图1-1所示。
图1-1 导入数据
导入过程中，各个字段的值都被转化为字符串型（String），我们需要手动将相应的字段转
回数值型。
单击菜单栏的“”-->“”将所选的变量改为数值型。
如图1-2所示：
图1-2 定义变量数据类型
数据清理
数据清理包括缺失值的填写和还需要使用SPSS分析工具来检查各个变量的数据完整性。
单击“”-->“”，将检查所输入的数据的缺失值个数以及百分比等。
如图1-3所示：
图1-3缺失值分析
能源数据缺失值分析结果如表1-1所示：
单变量统计
N 均值标准差缺失极值数目a
计数百分比低高
能源消费总量30 0 .0 0 1 煤炭消费量30 0 .0 0 2 焦炭消费量30 0 .0 0 2 原油消费量28 2 0 1 汽油消费量30 0 .0 0 1 煤油消费量28 2 0 4 柴油消费量30 0 .0 0 2
燃料油消费量30 0 .0 0 3
天然气消费量30 0 .0 0 2
电力消费量30 0 .0 0 3
原煤产量26 4 0 2
焦炭产量29 1 0 2
原油产量18 12 0 0
燃料油产量25 5 0 3
汽油产量26 4 0 2
煤油产量20 10 0 0
柴油产量26 4 0 1
天然气产量20 10 0 3
电力产量30 0 .0 0 0
表2-1 能源消耗量与产量数据缺失值分析
表1-1 能源消耗量与产量数据缺失值分析
SPSS提供了填充缺失值的工具，点击菜单栏“”-->“”，即可以使用软件提供的几种填充缺失值工具，包括序列均值，临近点中值，临近点中位数等。
结合本次实习数据的具体情况，我们不使用SPSS软件提供的替换缺失值工具，主要是手动将缺失值用零值来代替。
描述性数据汇总
描述性数据汇总技术用来获得数据的典型性质，我们关心数据的中心趋势和离中趋势，根据这些统计值，可以初步得到数据的噪声和离群点。
中心趋势的量度值包括：均值（mean），中位数（median），众数（mode）等。
离中趋势量度包括四分位数（quartiles），方差（variance）等。
SPSS提供了详尽的数据描述工具，单击菜单栏的
“”-->“”-->“”，将弹出如图2-4所示的对话框，
我们将所有变量都选取到，然后在选项中勾选上所希望描述的数据特征，包括均值，标准差，方差，最大最小值等。
由于本次数据的单位不尽相同，我们需要将数据标准化，同时勾选上“将标准化得分另存为变量”。
图1-4 描述性数据汇总
得到如表1-2所示的描述性数据汇总。
N 极小值极大值均值标准差方差
能源消费总量30 911 26164 .412
煤炭消费量30 332 29001 .378
焦炭消费量30 19 5461
原油消费量30 0 5555
汽油消费量30 18 771
煤油消费量30 0 262
柴油消费量30 27 1368
燃料油消费量30 0 1574
天然气消费量30 1 106
电力消费量30 98 3004
原煤产量30 0 58142
焦炭产量30 0 9202
原油产量29 0 4341
燃料油产量30 0 497
汽油产量30 0 1032
煤油产量30 0 219
柴油产量30 0 1911
天然气产量30 0 164
电力产量30 97 2536
有效的N （列表状态）29
表1-2 描述性数据汇总
标准化后得到的数据值，以下的回归分析将使用标准化数据。
如图1-5所示：
图1-5 数据标准化
我们还可以通过描述性分析中的“”来得到各个变量的众数，均值等，还可以根据这些量绘制直方图。
我们选取个别变量（能源消费总量）的直方图，可以看到我们因变量基本符合正态分布。
如图1-6所示：
图1-6能源消费总量
回归分析
我们本次实验主要考察地区能源消费总额（因变量）与煤炭消费量、焦炭消费量、原油消费量、原煤产量、焦炭产量、原油产量之间的关系。
以下的回归分析所涉及只包括以上几个变量，并使用标准化之后的数据。
参数设置
•单击菜单栏
“”-->“”-->“”，将弹出如
图1-7所示的对话框，将通过选择因变量和自变量来构建线性回归模型。
因变量：标准化能源消费总额；自变量：标准化煤炭消费量、标准化焦炭消费量、标准化原油消费量、标准化原煤产量、标准化焦炭产量、标准化原油产量。
自变量方法选择：进入，个案标签使用地名，不使用权重最小二乘法回归分析—即WLS权重为空。
图1-7选择线性回归变量还需要设置统计量的参数，我们选择回归系数中的“”
和其他项中的“”。
选中估计可输出回归系数B及其标准误，t值和p值，还
有标准化的回归系数beta。
选中模型拟合度复选框：模型拟合过程中进入、退出的变量的列表，以及一些有关拟合优度的检验：R，R2和调整的R2, 标准误及方差分析表。
如图1-8
所示：
图1-8 设置回归分析统计量
3.在设置绘制选项的时候，我们选择绘制标准化残差图，其中的正态概率图是rankit图。
同时还需要画出残差图，Y轴选择：ZRESID，X轴选择: ZPRED。
如图1-9所示：
图1-9 设置绘制
左上框中各项的意义分别为:
•“DEPENDNT”因变量
•“ZPRED”标准化预测值
•“ZRESID”标准化残差
•“DRESID”删除残差
•“ADJPRED”调节预测值
•“SRESID”学生化残差
•“SDRESID”学生化删除残差
4. 许多时候我们需要将回归分析的结果存储起来，然后用得到的残差、预测值等做进一步的分析，“保存”按钮就是用来存储中间结果的。
可以存储的有：预测值系列、残差系列、距离（Distances）系列、预测值可信区间系列、波动统计量系列。
本次实验暂时不保存任何项。
5. 设置回归分析的一些选项，有：步进方法标准单选钮组：设置纳入和排除标准，可按P 值或F值来设置。
在等式中包含常量复选框：用于决定是否在模型中包括常数项，默认选中。
如图1-10所示：
图1-10 设置选项
结果输出与分析
在以上选项设置完毕之后点击确定，SPSS将输出一系列的回归分析结果。
我们来逐一贴出和分析，并根据它得到最后的回归方程以及验证回归模型。
•表1-3所示，是回归分析过程中输入、移去模型记录。
具体方法为：enter（进入）
输入／移去的变量
输入／移去的变量
模型输入的变量移去的
变量方法
1 Zscore(原油产量),
Zscore(原煤产量),
Zscore(焦炭消费量),
Zscore(原油消费量),
Zscore(煤炭消费量),
Zscore(焦炭产量)
. 输入
表1-3 输入的变量
2. 表1-4所示是模型汇总，R称为多元相关系数，R方（R2）代表着模型的拟合优
度。
我们可以看到该模型是拟合优度良好。
模型汇总
模型汇总
模型R R 方调整R 方标准估计的误
差Sig.
1 .96
2 .925 .905 . .000
表1-4 模型汇总
3.表1-5所示是离散分析。
，F的值较大,代表着该回归模型是显著。
也称为失拟性检验。
模型平方和df 均方 F
1 回归 6
残差22 .094
总计28
表1-5 离散分析
4. 表1-6所示的是回归方程的系数，根据这些系数我们能够得到完整的多元回归方程。
观测以下的回归值，都是具有统计学意义的。
因而，得到的多元线性回归方程：Y=++ x2+
（x1为煤炭消费量，x2为焦炭消费量，x3为原油消费量，x4为原煤产量，x5为原炭产量，x6为原油产量，Y是能源消费总量）
结论：能量消费总量由主要与煤炭消费总量所影响，成正相关；与原煤产量成一定的反比。
系数
表1-6回归方程系数
5. 模型的适合性检验，主要是残差分析。
残差图是散点图，如图1-11所示：
图1-11残差图
可以看出各散点随机分布在e=0为中心的横带中，证明了该模型是适合的。
同时我们也发现了两个异常点，就是广东省和四川省，这种离群点是值得进一步研究的。
还有一种残差正态概率图（rankit图）可以直观地判断残差是否符合正态分布。
如图1-12所示：
图1-12 rankit（P-P）图它的直方图如图1-13所示：
图1-13 rankit（直方）图。