資源描述：
《spssau逐步回歸分析操作.doc》由會員上傳分享，免費在線閱讀，更多相關內容在行業(yè)資料-天天文庫。
1、逐步回歸分析逐步回歸分析研究X(自變量,通常為量數(shù)據(jù))對Y(因變量,定量數(shù)據(jù))的影響關系情況,X可以為多個,但并非所有X均會對Y產生影響;當X個數(shù)很多時,可以讓系統(tǒng)自動識別出有影響的X;這一自動識別分析方法則稱為逐步回歸分析;如果全部X均沒有顯著性,此時系統(tǒng)默認返回回歸分析結果分析步驟共為四步,分別是:l第一步:首先對模型情況進行分析首先分析最終余下的X情況;以及被模型自動排除在外的X;接著對模型擬合情況(比如R平方為0.3,則說明所有余下X可以解釋Y30%的變化原因),模型共線性問題(VIF值小于5則說明無多重共線性).l第二步:分析X的顯著性模型余下的X一定
2、具有顯著性;具體分析X的影響關系情況即可.l第三步:判斷X對Y的影響關系方向回歸系數(shù)B值大于0說明正向影響,反之負向影響.l第四步:其它比如對比影響程度大小(回歸系數(shù)B值大小對比X對Y的影響程度大小)分析項逐步回歸分析說明網購滿意度,重復購買意愿網購滿意度20項;其中具體那幾項會影響到樣本重復購買意愿?20項過多,讓軟件自動刪除掉沒有影響的項,余下有影響的項分析結果表格示例如下:非標準化系數(shù)標準化系數(shù)tpVIFR2調整R2FB標準誤Beta常數(shù)0.7740.384-2.0140.047*-0.3510.32614.188**分析項10.1980.0990.202
3、1.9980.048*1.320分析項20.4370.1240.3743.5190.001**1.320分析項30.0040.1240.0040.0340.9731.230*p<0.05**p<0.01備注:逐步回歸分析僅在回歸分析的基礎上，加入了一項功能，即自動化移除掉不顯著的X，通常逐步回歸分析用于探索研究中。逐步回歸分析之后，可對回歸模型進行檢驗?？砂ㄒ韵滤捻棧酣苟嘀毓簿€性：可查看VIF值，如果全部小于10（嚴格是5），則說明模型沒有多重共線性問題，模型構建良好；反之若VIF大于10說明模型構建較差。ü自相關性：如果D-W值在2附近（1.7~2.3之間）
4、，則說明沒有自相關性，模型構建良好，反之若D-W值明顯偏離2，則說明具有自相關性，模型構建較差。自相關問題產生時建議對因變量Y數(shù)據(jù)進行查看。ü殘差正態(tài)性：在分析時可保存殘差項，然后使用“正態(tài)圖”直觀檢測殘差正態(tài)性情況，如果殘差直觀上滿足正態(tài)性，說明模型構建較好，反之說明模型構建較差。如果殘差正態(tài)性非常糟糕，建議重新構建模型，比如對Y取對數(shù)后再次構建模型等。ü異方差性：可將保存的殘差項，分別與模型的自變量X或者因變量Y，作散點圖，查看散點是否有明顯的規(guī)律性，比如自變量X值越大，殘差項越大/越小，這時此說明有規(guī)律性，模型具有異方差性，模型構建較差。如果有明顯的異方差
5、性，建議重新構建模型，比如對Y取對數(shù)后再次構建模型等。另外，如果回歸分析出現(xiàn)各類異常，請查看數(shù)據(jù)中是否有異常值（可通過比如描述分析、箱盒圖、散點圖等查看），找出異常值，并且處理掉異常值（使用“異常值”功能）。也或者使用穩(wěn)健回歸（Robust回歸進行分析，Robust回歸是專門處理異常值情況下的回歸模型）SPSSAU操作截圖如下：
