SPSS实操之线性回归分析
线性回归的位置
一元线性回归
实例1
对受访者的性别和月收入进行 一元线性回归分析
注意
当自变量是分类变量时，需要将原 变量转换成虚拟变量，所有虚拟变量都 是 “1”和“0”取值的二分变量。（当原 变量是二分类变量时，我们只需要设定 一个“1”、“0”取值的虚拟变量，并且 把取值为“0”的那个类别作为参照项）
步骤28：将原变量的其余取值都设为“0”
步骤29：点击“Continue”，回到主对话框
步骤30：点击“OK”，生成表示高中的虚拟变量edu3
步骤31：点击“Regression”中的“Linear”，弹出对话 框
步骤32：选择因变量“月收入”
步骤32：选择自变量“虚拟性别”,“edu1”,“edu2”，“edu3”和年龄
步骤21：重新点击“Recode”，弹出对话框
步骤22：将四分类的教育变量拖入中间空白框
步骤23：在Name栏中填写第二个虚拟变量edu3
步骤24：在Label栏中填写变量名标签－高中
步骤25：点击“Change”按钮
步骤26：点击“Old and New Values”按 钮
步骤27：将原变量中代表高中的“3”设为新变量的 “1”
步骤1：点击“Recode”，弹出对话框
步骤2：将四分类的教育变量拖入中间空白框
步骤3：在Name栏中填写第一个虚拟变量edu1
步骤4：在Label栏中填写变量名标签－小学
步骤5：点击“Change”按钮
步骤6：点击“Old an“1”设为新变量的“1”
从表中显著度<0.001，可以发现性别对收入的影 响是非常显著的。
多元线性回归
实例2
将受访者的性别、教育程度 （四分类的教育程度）和年龄作为 自变量，通过多元线性回归，分析 其对月收入的影响。
注意
由于例题中的教育变量是个四分类的定 序变量，因此我们需要设置三个“1”、“0” 取值的虚拟教育变量：edu1、edu2和edu3， 分别用来表示“小学”、“初中”和“高 中”，将“大专及以上”教育类别作为参照 项，其余三个类别分别与其进行比较。
– 第三，年龄每增加一年，月收入就降低约2元
结果三告诉我们什么？
由此我们可以得到回归方程式： y ＝ 534.493 ＋ 137.048× 性 别 － 112.371×
小 学 － 79.864× 初 中 － 65.704× 高 中 － 1.749×年龄
结果三告诉我们什么？
表中Beta栏的标准化回归系数的绝对值可 以用于比较各个自变量之间对因变量的贡 献大小：
线性回归的类型
一元线性回归，针对一个影响变量 （自变量）的回归分析 多元线性回归，针对多个影响变量 （自变量）的回归分析
变量的测量尺度
因变量：定距变量 自变量：定类、定序变量或定距变量， 对于分类变量需要转换成虚拟变量
回归方程
一元线性回归
Y＝A＋BX＋ε
多元线性回归
Y＝B0＋B1X1＋B2X2 ＋…＋ BnXn ＋ε
步骤7：将原变量的“2”设为新变量的“0”
步骤8：点击“Continue”，回到主对话框
步骤8：点击“OK”，生成新的虚拟性别变量
注意
在设置完虚拟变量后，我们才 能正式开始回归分析。
步骤9：点击“Regression”中的“Linear”，弹出对话框
步骤10：选择因变量“月收入”和自变量“性 别”
线性回归和曲线回归
线性分析，指量与量之间按比例、成直线的关系， 在空间和时间上代表规则和光滑的运动；
非线性non-linear则指不按比例、不成直线的关系， 代表不规则的运动和突变。 从根本上来讲就是指变量X增加△X，则变量Y增
加 k△X，即增量之间成固定的比例关系。
线性回归的作用
用变量的观测数据拟合所关注的变量和影 响其变化的变量之间的线性关系式 检验影响变量的显著程度 比较影响变量的作用大小 用一个或多个变量的变化解释和预测另一 个变量的变化
回归分析与相关分析的区别
相关分析研究的是现象之间是否相关、相关的方向和 密切程度，一般不区别自变量或因变量。而回归分析则 要分析现象之间相关的具体形式，确定其因果关系，并 用数学模型来表现其具体关系。
比如说，从相关分析中我们可以得知“质量”和“用 户满意度”变量密切相关，但是这两个变量之间到底是 哪个变量受哪个变量的影响，影响程度如何，则需要通 过回归分析方法来确定。
结果二：方差分析表
结果二告诉我们什么？
结果二是对回归方程进行显著度检验的方 差分析，即判断总体回归系数中至少有一 个不等于0 表中显著度（Sig）<0.001，表明性别与收 入之间具有显著的线性关系。
结果三：回归系数表
结果三告诉我们什么？
与结果一中的确定系数不同，回归系数是回归方 程中x的斜率，表示x每变化一个单位，y的平均 变化。
步骤1：点击“Recode”，弹出对话框
注 意
通常选择Recode into Different Variable
步骤2：将性别拖入中间空白框
步骤3：在Name栏中填写虚拟变量名
步骤4：点击“Change”按钮
步骤5：点击“Old and New Values”按 钮
步骤6：将原变量的“1”设为新变量的“1”
从表中B＝135.406，可以发现男性比女性的平均 月收入多135.406元（由于在设定虚拟变量时， 将女性取值为“0”，因此这里以女性为参照项）。
由此我们可以得到回归方程：
y＝396.656＋135.406X
结果三告诉我们什么？
表中的t检验是针对回归系数的显著度检验，而结 果二中的方差分析是对整个回归方程的检验，在 一元回归分析中，这两种检验结果是等同的。而 在多元回归分析中，则有可能是不同的。整体方 程的显著并不意味着每个回归系数都显著，但每 个系数的显著一定意味着整体方程是显著的。
步骤15：点击“Change”按钮
步骤16：点击“Old and New Values”按 钮
步骤17：将原变量中代表初中的“2”设为新变量的 “1”
步骤18：将原变量的其余取值都设为“0”
步骤19：点击“Continue”，回到主对话框
步骤20：点击“OK”，生成表示初中的虚拟变量edu2
步骤8：将原变量的其余取值都设为“0”
步骤9：点击“Continue”，回到主对话框
步骤10：点击“OK”，生成表示小学的虚拟变量edu1
步骤11：重新点击“Recode”，弹出对话框
步骤12：将四分类的教育变量拖入中间空白框
步骤13：在Name栏中填写第二个虚拟变量edu2
步骤14：在Label栏中填写变量名标签－初中
性别(0.184) > 小学(0.117) > 初中(0.103) > 高中(0.082) > 年龄(0.061)
结果三告诉我们什么？
Sig栏中每个回归系数的显著度水平，表明 各自所对应的那个自变量与因变量之间是 否存在显著的线性相关关系
从结果看，所有回归系数的显著度（即P值） 都小于0.05，由此，我们可以认为性别、 教育和年龄都会影响受访者的月收入。
（3）按照自变量和因变量之间的关系类型，可分为 线性回归分析和非线性回归分析。
回归分析简介
在大数据分析中，回归分析是一种预测性的建模技术， 它研究的是因变量（目标）和自变量（预测器）之间的 关系。
这种技术通常用于预测分析，时间序列模型以及发现 变量之间的因果关系。例如，司机的鲁莽驾驶与道路交 通事故数量之间的关系，最好的研究方法就是回归。
点击“OK”，结果一：确定系数表
结果一告诉我们什么？
表中调整后的R平方＝0.044，表示整 个方程能够解释收入变化的4.4％。 与例1中的确定系数相比，提高了1.1 个百分点。
结果二：方差分析表
结果二告诉我们什么？
表中显著度（Sig）<0.001，表明整个方程 是显著的，也就是说自变量与因变量之间 具有显著的线性关系。
但这并不意味着每个自变量与因变量都具 有显著的线性关系，具体的结论还需要看 后面对每个自变量的回归系数的检验结果。
结果三：回归系数表
结果三告诉我们什么？
表中B栏的非标准化回归系数表明：
– 第一，在控制了其他变量之后，男性比女性 的月收入高约137元；
– 第二，小学、初中和高中程度的受访者的月 收入，与大专及以上教育程度的受访者月收 入相比，分别低了约112元、80元和66元；
点击“OK”，结果一：确定系数表
结果一告诉我们什么？
表格中的R、R Square和Adjusted R Square都 是用于表示模型的解释能力 通常选择Adjusted R Square作为我们的结论依 据，调整后的R平方越大，说明性别和收入的线 性关系越强，即性别对收入的解释力越强 表中调整后的R平方＝0.033，表示性别能够解 释收入3.3％的变化
线性回归分析
2020年5月月
回归分析简介
回归分析（regression analysis)是确定两种或两种以 上变量间相互依赖的定量关系的一种统计分析方法。
（1）运用十分广泛，回归分析按照涉及的变量的多 少，分为一元回归和多元回归分析；
（2）按照因变量的多少，可分为简单回归分析和多 重回归分析；
第九章 SPSS的线性回归分析
第九章 SPSS的线性回归分析线性回归分析是一种常用的统计方法，用于探索自变量与因变量之间的线性关系。
在SPSS中，进行线性回归分析可以帮助研究者了解变量之间的关系，并预测因变量的数值。
本文将介绍如何在SPSS中进行线性回归分析，并解释如何解释结果。
一、数据准备。
在进行线性回归分析之前，首先需要准备好数据。
在SPSS中，数据通常以数据集的形式存在，可以通过导入外部文件或手动输入数据来创建数据集。
确保数据集中包含自变量和因变量的数值，并且数据的质量良好，没有缺失值或异常值。
二、进行线性回归分析。
在SPSS中进行线性回归分析非常简单。
首先打开SPSS软件，然后打开已经准备好的数据集。
接下来，依次点击“分析”-“回归”-“线性”，将自变量和因变量添加到相应的框中。
在“统计”选项中，可以选择输出各种统计信息，如残差分析、离群值检测等。
点击“确定”按钮后，SPSS会自动进行线性回归分析，并生成相应的结果报告。
三、解释结果。
线性回归分析的结果报告包括了各种统计信息和图表，需要仔细解释和分析。
以下是一些常见的统计信息和图表：1. 相关系数，线性回归分析的结果报告中通常包括了自变量和因变量之间的相关系数，用来衡量两个变量之间的线性关系强度。
相关系数的取值范围为-1到1，接近1表示两个变量呈正相关，接近-1表示呈负相关，接近0表示无相关。
2. 回归系数，回归系数用来衡量自变量对因变量的影响程度。
回归系数的符号表示自变量对因变量的影响方向，系数的大小表示影响程度。
在结果报告中，通常包括了回归系数的估计值、标准误、t值和显著性水平。
3. 残差分析，残差是因变量的观测值与回归方程预测值之间的差异，残差分析可以用来检验回归模型的拟合程度。
在结果报告中，通常包括了残差的分布图和正态概率图，用来检验残差是否符合正态分布。
4. 变量间关系图，在SPSS中，可以生成自变量和因变量之间的散点图和回归直线图，用来直观展示变量之间的线性关系。
SPSS第六讲线性回归分析
1 1867.896 290.715
Sig . .000a
Res idual6829.963
1063
6.425
Total 8697.859
1064
a.Predictors: (Constant), Highest Year School Completed, Fat her b.D ep endent Variable: H ighest Year of School Comp leted
.026
.295
7.768
Highest Year School Complet ed, Mother .189
.031
.230
6.058
a. Dependent Variable: Highest Year of School Completed
Sig. .000 .000
.000
四、 多元线性回归分析（三元）
Highest Year School Completed, Mother, Highest Year School Completed,
a
Father
Variables Removed
Method
. Enter
a. All requ ested variables entered. b . Dep en d en t Variable: Hig hest Year o f Scho o l Co mpleted
Sig . .000
.000
线性回归方程：Y=0.668X+1.910 “X”的实际值每增加1个单位，“Y”实际值增 加0.668个单位，可进行实际预测具体值。
标准化线性回归方程：Y‘=0.463X’ “X”的标准值每增加1个单位，“Y”的标准值 相应地增加0.463个单位。（与非标准化方程等价，标准化后去掉了单位的影响、 去掉常数，没法进行实际预测具体值仅反应的是自变量对因变量的影响程度，好 处是在多个自变量的情况下，可进行影响程度比较。）
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的线性回归分析
多元线性回归方程的检验
(一)拟和优度检验:
(1)判定系数R2:
n 1 SSE 均方误差 R2 1 n k 1 SST 因变量的样本方差 – R是y和xi的复相关系数(或观察值与预测值的相关系数),测定 了因变量y与所有自变量全体之间线性相关程度 (2)调整的R2: R2 1
17
多元线性回归分析
(一)多元线性回归方程 多元回归方程: y= β0 +β1x1+β2x2+...+βkxk
– β1、β2、βk为偏回归系数。 – β1表示在其他自变量保持不变的情况下，自变量x1变动一个 单位所引起的因变量y的平均变动
(二)多元线性回归分析的主要问题
– 回归方程的检验 – 自变量筛选 – 多重共线性问题
• 于是: 因变量总变差=自变量引起的+其他因素引起的 • 即: 因变量总变差=回归方程可解释的+不可解释的 • 可证明:因变量总离差平方和=回归平方和+剩余平方和
6
一元线性回归方程的检验
(一)拟和优度检验:
(3)统计量：判定系数
R2 ˆ ( y
n
i 1 i 1 – R2=SSR/SST=1-SSE/SST. – R2体现了回归方程所能解释的因变量变差的比例;1-R2则体 现了因变量总变差中，回归方程所无法解释的比例。 – R2越接近于1，则说明回归平方和占了因变量总变差平方和 的绝大部分比例，因变量的变差主要由自变量的不同取值造 成，回归方程对样本数据点拟合得好 – 在一元回归中R2=r2; 因此，从这个意义上讲，判定系数能够 比较好地反映回归直线对样本数据的代表程度和线性相关性。
8
一元线性回归方程的检验
(三)回归系数的显著性检验:t检验 (1)目的:检验自变量对因变量的线性影响是否显著. (2)H0:β=0 即:回归系数与0无显著差异 (3)利用t检验,构造t统计量： i S ti S S i (x x )
线性回归—SPSS操作
线性回归—SPSS操作线性回归是一种用于研究自变量和因变量之间的关系的常用统计方法。
在进行线性回归分析时，我们通常假设误差项是同方差的，即误差项的方差在不同的自变量取值下是相等的。
然而，在实际应用中，误差项的方差可能会随着自变量的变化而发生变化，这就是异方差性问题。
异方差性可能导致对模型的预测能力下降，因此在进行线性回归分析时，需要进行异方差的诊断检验和修补。
在SPSS中，我们可以使用几种方法进行异方差性的诊断检验和修补。
第一种方法是绘制残差图，通过观察残差图的模式来判断是否存在异方差性。
具体的步骤如下：1. 首先，进行线性回归分析，在"Regression"菜单下选择"Linear"。
2. 在"Residuals"选项中，选择"Save standardized residuals"，将标准化残差保存。
3. 完成线性回归分析后，在输出结果的"Residuals Statistics"中可以看到标准化残差，将其保存。
4. 在菜单栏中选择"Graphs"，然后选择"Legacy Dialogs"，再选择"Scatter/Dot"。
5. 在"Simple Scatter"选项中，将保存的标准化残差添加到"Y-Axis"，将自变量添加到"X-Axis"。
6.点击"OK"生成残差图。
观察残差图，如果残差随着自变量的变化而出现明显的模式，如呈现"漏斗"形状，则表明存在异方差性。
第二种方法是利用Levene检验进行异方差性的检验。
具体步骤如下：1. 进行线性回归分析，在"Regression"菜单下选择"Linear"。
【精品】SPSS统计实验报告多元线性回归分析
【精品】SPSS统计实验报告多元线性回归分析
本文旨在通过多元线性回归分析，深入研究X、Y、Z三个变量之间的关系，以探究这三个变量对结果的影响。
本实验中样本数量为100人，本文采用SPSS22.0计算软件进行多元线性回归分析，统计计算结果如下：
（一）检验变量X、Y、Z三个变量是否有关：
Sig.=.633。
结果显示，该值大于0.05，表明X、Y、Z三者之间没有显著统计关系；
（二）确定拟合模型：
以X、Y、Z三个变量回归拟合，得出模型为：y=1.746+0.660X+0.783Y+0.430Z。
（三）检验回归模型的有效性：
1. 回归系数的统计量检验
模型的R方为.668，该值表明，X、Y、Z三个自变量可以解释本回归模型的67.0%的变化量；
2.F检验
结果显示，f分数为20.670，Sig.=.000，结果显示，f分数小于阈值0.05，因此可以接受回归模型；
检验结果显示，当其他X、Y、Z三个自变量的条件不变的情况下，X、Y、Z三个自变量对Y的影响是有显著性的。
综上所述，本文使用SPSS22.0计算软件进行多元线性回归分析，探究X、Y、Z三个变量之间的关系。
结果显示，X、Y、Z三者之间没有显著统计关系；拟合模型为：
y=1.746+0.660X+0.783Y+0.430Z；最后，证实X、Y、Z三个自变量对Y的影响是有显著性的。
SPSS实验多元线性回归分析12
这里我们以总成绩作为因变量Y，平时成绩和期中成绩分别作为自变量X1，X2，建立的多元回归模型为：
Байду номын сангаас2，估计参数，建立回归预测模型
利用SPSS可得一下结果：
Variables Entered/Removedb
Model
Variables Entered
Variables Removed
1183.800
19
a. Predictors: (Constant),期中成绩,平时成绩
b. Dependent Variable:总成绩
注释：从表中可得拟合方程的F统计量值为7.586，相应的P值为0.000说明，拟合方程是显著的。是具有统计意义的。
Coefficientsa
Model
Unstandardized Coefficients
Method
1
期中成绩,平时成绩a
.
Enter
a. All requested variables entered.
b. Dependent Variable:总成绩
注释：根据这个表的结果我们可以初步的知道，经过检验自变量X1，X2是可以加入到准备估计的回归方程中作为变量的。
Model Summaryb
Standardized Coefficients
t
Sig.
95% Confidence Interval for B
Correlations
Collinearity Statistics
B
Std. Error
Beta
Lower Bound
Upper Bound
Zero-order
SPSS多元线性回归分析报告实例操作步骤
SPSS 统计分析多元线性回归分析方法操作与分析实验目的：引入1998~2008年上海市城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率和房屋空置率作为变量，来研究上海房价的变动因素。
实验变量：以年份、商品房平均售价（元/平方米）、上海市城市人口密度(人/平方公里)、城市居民人均可支配收入(元)、五年以上平均年贷款利率(%)和房屋空置率(%)作为变量。
实验方法：多元线性回归分析法软件：spss19.0操作过程：第一步：导入Excel数据文件1.open data document——open data——open；2. Opening excel data source——OK.第二步：1.在最上面菜单里面选中Analyze——Regression——Linear ，Dependent（因变量）选择商品房平均售价，Independents（自变量）选择城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率、房屋空置率；Method选择Stepwise.进入如下界面：2.点击右侧Statistics，勾选Regression Coefficients（回归系数）选项组中的Estimates；勾选Residuals（残差）选项组中的Durbin-Watson、Casewise diagnostics默认；接着选择Model fit、Collinearity diagnotics；点击Continue.3.点击右侧Plots，选择*ZPRED（标准化预测值）作为纵轴变量，选择DEPENDNT（因变量）作为横轴变量；勾选选项组中的Standardized Residual Plots（标准化残差图）中的Histogram、Normal probability plot；点击Continue.4.点击右侧Save，勾选Predicted Vaniues（预测值）和Residuals（残差）选项组中的Unstandardized；点击Continue.5.点击右侧Options，默认，点击Continue.6.返回主对话框，单击OK.输出结果分析： 1.引入/剔除变量表该表显示模型最先引入变量城市人口密度 (人/平方公里)，第二个引入模型的是变量城市居民人均可支配收入(元)，没有变量被剔除。
SPSS的线性回归分析分析
SPSS的线性回归分析分析SPSS是一款广泛用于统计分析的软件，其中包括了许多功能强大的工具。
其中之一就是线性回归分析，它是一种常用的统计方法，用于研究一个或多个自变量对一个因变量的影响程度和方向。
线性回归分析是一种用于解释因变量与自变量之间关系的统计技术。
它主要基于最小二乘法来评估自变量与因变量之间的关系，并估计出最合适的回归系数。
在SPSS中，线性回归分析可以通过几个简单的步骤来完成。
首先，需要加载数据集。
可以选择已有的数据集，也可以导入新的数据。
在SPSS的数据视图中，可以看到所有变量的列表。
接下来，选择“回归”选项。
在“分析”菜单下，选择“回归”子菜单中的“线性”。
在弹出的对话框中，将因变量拖放到“因变量”框中。
然后，将自变量拖放到“独立变量”框中。
可以选择一个或多个自变量。
在“统计”选项中，可以选择输出哪些统计结果。
常见的选项包括回归系数、R方、调整R方、标准误差等。
在“图形”选项中，可以选择是否绘制残差图、分布图等。
点击“确定”后，SPSS将生成线性回归分析的结果。
线性回归结果包括多个重要指标，其中最重要的是回归系数和R方。
回归系数用于衡量自变量对因变量的影响程度和方向，其值表示每个自变量单位变化对因变量的估计影响量。
R方则反映了自变量对因变量变异的解释程度，其值介于0和1之间，越接近1表示自变量对因变量的解释程度越高。
除了回归系数和R方外，还有其他一些统计指标可以用于判断模型质量。
例如，标准误差可以用来衡量回归方程的精确度。
调整R方可以解决R方对自变量数量的偏向问题。
此外，SPSS还提供了多种工具来检验回归方程的显著性。
例如，可以通过F检验来判断整个回归方程是否显著。
此外，还可以使用t检验来判断每个自变量的回归系数是否显著。
在进行线性回归分析时，还需要注意一些统计前提条件。
例如，线性回归要求因变量与自变量之间的关系是线性的。
此外，还需要注意是否存在多重共线性，即自变量之间存在高度相关性。
线性回归分析的SPSS操作(多元线性回归)
线性回归分析的SPSS操作本节内容主要介绍如何确定并建立线性回归方程。
包括只有一个自变量的一元线性回归和和含有多个自变量的多元线性回归。
为了确保所建立的回归方程符合线性标准，在进行回归分析之前，我们往往需要对因变量与自变量进行线性检验。
也就是类似于相关分析一章中讲过的借助于散点图对变量间的关系进行粗略的线性检验，这里不再重复。
另外，通过散点图还可以发现数据中的奇异值，对散点图中表示的可能的奇异值需要认真检查这一数据的合理性。
一、一元线性回归分析1．数据以本章第三节例3的数据为例，简单介绍利用SPSS如何进行一元线性回归分析。
数据编辑窗口显示数据输入格式如下图7-8（文件7-6-1.sav）：图7-8：回归分析数据输入2．用SPSS进行回归分析，实例操作如下：2.1.回归方程的建立与检验（1）操作①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：图7-9 线性回归分析主对话框②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。
图7-10：线性回归分析的Statistics选项图7-11：线性回归分析的Options选项回归方程建立后，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。