一、线性回归方法所属模块
线性回归位于SPSSAU【通用方法】模块。
二、方法概述
线性回归是用来分析一个定量结果会受到哪些因素影响的统计方法，也常用于做趋势预测和影响因素识别。它适合销售额、成绩、满意度、时长、量表总分等场景，SPSSAU可以直接完成变量拖拽、参数勾选、结果输出和图表展示，比较适合实际业务分析与论文写作。
三、变量设置规则
线性回归需要设置1个因变量和1个及以上自变量。因变量必须放入1个定量变量；自变量至少放入1个、最多可放入200个，可为定量数据或定类数据。
1.因变量设置规则
（1）因变量对应Y，必须放入，且只能放入1个变量。
（2）Y必须为定量数据，例如得分、金额、次数、满意度总分等。
（3）因变量为空时无法完成分析。
2.自变量设置规则
（1）自变量对应X，至少放入1个，最多放入200个。
（2）X可以是定量数据，也可以是定类数据。
（3）如果放入的是定类变量，建议先确认类别含义清楚，避免后续结果解释出现偏差。
（4）如果同时放入多个X，建议优先保证变量之间有清晰业务逻辑，便于后续判断各因素的影响方向和影响大小。
四、参数设置及解释说明
线性回归在SPSSAU中有额外参数可设置，主要用于保存结果和进行异常点诊断。
1.保存残差和预测值
该选项用于将残差和预测值分别保存为新的标题，选中后每次分析都会得到新标题。适合后续继续做残差检查、拟合情况查看，或与其他分析配合使用。
2.保存异常点信息
该选项仅针对样本量不超过1000时生效，会保存学生化残差、Cook距离和杠杆值共3项为新的标题，便于进一步排查异常样本。若研究比较关注数据质量，建议勾选。
3.异常点诊断
该选项仅针对样本量不超过1000时生效，选中后会直接输出异常值诊断结果表格。若怀疑少数样本对模型结果影响过大，可以开启查看。
五、分析结果表格及其解读
SPSSAU完成线性回归后，会输出线性回归基本统计结果、线性回归分析结果、线性回归分析结果-简化格式、模型汇总（中间过程）、ANOVA表格（中间过程）、回归系数，以及在特定情况下输出样本缺失情况汇总、异常点分析等结果表。
1.表1：线性回归基本统计结果
该表用于展示参与分析变量的整体情况，通常包含平均值、标准差和样本量等信息，方便先判断各变量的基本水平和波动情况。
●平均值：用于了解变量整体水平，本身没有统一的好坏标准，关键看是否符合业务背景。
●标准差：用于反映数据波动大小，数值越大说明个体差异越明显，越小说明数据更集中。
●样本量：用于判断结果稳定性，样本越充分，通常分析结果越稳。
2.表2：线性回归分析结果
该表是最核心的结果表，会集中展示非标准化回归系数、标准误、标准化回归系数、t值、p值、VIF、容忍度、R方、调整R方、F值及对应显著性、D-W值等指标。
●非标准化回归系数B：用于判断自变量对因变量的实际影响方向和大小。B为正说明正向影响，B为负说明负向影响。结合p值一起判断更稳妥。
●标准误：用于反映系数估计的波动程度，通常越小越稳定。
●标准化回归系数Beta：用于比较不同自变量谁的影响相对更强。一般看绝对值，绝对值越大，影响通常越明显。
●p值：用于判断变量影响是否显著。通常小于0.05说明影响显著；大于等于0.05说明当前数据下证据不足。
●VIF：用于判断多重共线性。一般小于5说明问题通常不大；明显偏高时，要警惕自变量之间过于相似。
●容忍度：与VIF配合判断共线性。一般大于0.2更稳妥；过低时说明变量之间重叠较多。
●R方：表示模型对因变量变化的解释比例，数值越高，说明解释力通常越强。
●调整R方：在多个自变量场景下比R方更适合判断模型质量，可避免解释力被虚高。
●F值及其p值：用于判断模型整体是否成立。通常对应p值小于0.05，说明模型整体显著。
●D-W值：用于判断残差是否存在明显自相关。通常接近2较理想。
3.表3：线性回归分析结果-简化格式
该表是对核心结果的压缩呈现，通常包含回归系数、95%区间、VIF、容忍度、样本量、R方、调整R方、F值和D-W值，适合在论文或报告中直接引用。
●回归系数：用于快速查看各自变量的影响方向和大致强弱。
●95%区间：用于观察系数估计是否稳定，若区间跨过零，说明解释要更谨慎。
●样本量：用于辅助判断结论可靠程度。
4.表4：模型汇总（中间过程）
该表展示模型整体拟合情况，通常包含R、R方、调整R方、模型误差RMSE、D-W值、AIC值、BIC值等指标。
●R：用于反映整体相关程度，通常越接近1说明贴合程度越强。
●RMSE：用于反映预测误差大小，通常越接近0越好。
●AIC值/BIC值：主要用于多个模型之间做比较，在同类模型比较时通常越小越优。
5.表5：ANOVA表格（中间过程）
该表用于检验模型整体显著性，通常包含回归、残差、总计、均方、F值和p值等信息。
●回归行：反映模型能够解释的变异。
●残差行：反映模型未解释的那部分变异。
●F值和p值：这是判断模型整体是否成立的关键依据，通常p值小于0.05说明模型整体显著。
6.表6：回归系数
该表进一步展示各自变量的非标准化回归系数、标准误、标准化回归系数、t值、p值、95%区间、VIF等信息，是逐项判断变量影响的重要表格。
●标准误：标准误越小，通常说明系数估计越稳定。
●t值：主要配合p值判断显著性，实际阅读时通常优先看p值。
●95%区间：用于观察系数方向是否稳定，若整体位于同一侧，说明方向更清晰。
7.表7：样本缺失情况汇总
当数据存在缺失时，会输出该表，通常包含有效样本、排除无效样本和总计等信息，用于了解数据清理对样本量的影响。
●有效样本占比：占比越高越理想，说明数据保留得更完整。
●排除无效样本占比：若比例较高，需要留意是否影响结论代表性。
8.表8：异常点分析
当开启异常点诊断且样本量满足条件时，会输出该表，通常包含学生化残差、Cook距离和杠杆值，用于识别离群点、强影响点和高杠杆点。
●学生化残差：用于判断样本是否明显偏离整体，绝对值较大时需要重点关注。
●Cook距离：用于判断某个样本是否会明显改变回归结果，数值越大越值得警惕。
●杠杆值：用于判断样本在自变量空间中是否位置特殊，明显偏高时要进一步核查。
六、分析结果图表及其解读
SPSSAU线性回归会输出模型结果图和回归系数95% CI图两类核心图表，用于直观展示变量关系和系数稳定性。
1.模型结果图
该图用于直观展示各个自变量与因变量之间的影响关系。阅读时可先看各路径的方向，再结合表格中的p值判断哪些因素是真正值得重点解释的变量。若图中关系方向为正，通常说明正向影响；若为负，则说明负向影响。
2.回归系数95% CI图
该图用于对比不同自变量回归系数的稳定性和区间范围。若某变量的区间整体位于同一侧，通常说明影响方向更稳定；若区间跨过零，则说明该变量的解释需要更谨慎。多个变量同时比较时，这张图会比单看文字结果更直观。
以上就是SPSSAU线性回归方法的相关内容，更深入教程可查看SPSSAU帮助手册、教学视频、疑难解惑等资料。
