SPSS处理多重回归分析
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回归分析过程详解
线性回归的假设检验
01
线性回归的假设检验主要包括拟合优度检验和参数显著性 检验。
02
拟合优度检验用于检验模型是否能够很好地拟合数据，常 用的方法有R方、调整R方等。
1 2
完整性
确保数据集中的所有变量都有值，避免缺失数据 对分析结果的影响。
准确性
核实数据是否准确无误，避免误差和异常值对回 归分析的干扰。
3
异常值处理
识别并处理异常值，可以使用标准化得分等方法。
模型选择与适用性
明确研究目的
根据研究目的选择合适的回归模型，如线性回 归、逻辑回归等。
考虑自变量和因变量的关系
数据来源
某地区不同年龄段人群的身高 和体重数据
模型选择
多项式回归模型，考虑X和Y之 间的非线性关系
结果解释
根据分析结果，得出年龄与体 重之间的非线性关系，并给出 相应的预测和建议。
05 多元回归分析
多元回归模型
线性回归模型
多元回归分析中最常用的模型，其中因变量与多个自变量之间存 在线性关系。
非线性回归模型
常见的非线性回归模型
对数回归、幂回归、多项式回归、逻辑回归等
非线性回归的假设检验
线性回归的假设检验
H0：b1=0，H1：b1≠0
非线性回归的假设检验
H0：f(X)=Y，H1：f(X)≠Y
检验方法
残差图、残差的正态性检验、异方差性检验等
非线性回归的评估指标
判定系数R²
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数据分析—多重线性回归
只有一个自变量和因变量的线性回归称为简单线性回归，但是实际上，这样单纯的关系在现实世界中几乎不存在，万事万物都是互相联系的，一个问题的产生必定多种因素共同作用的结果。
对于有多个自变量和一个因变量的线性回归称为多重线性回归，有的资料上称为多元线性回归，但我认为多元的意思应该是真的因变量而非自变量的，而且多重共线性这个说法，也是针对多个自变量产生的，因此我还是赞同叫做多重线性回归。
多重线性回归是适用条件和简单线性回归类似，也是自变量与因变量之间存在线性关系、残差相互独立、残差方差齐性，残差呈正态分布，但是由于自变量多于1个，因此还需要要求自变量之间不存在相关性，即不存在多重共线性，但是完全不存在相关的两个变量是不存在的，因此条件放宽为只要不是强相关性，都可以接受。
多重线性回归在SPSS中的操作过程和简单线性回归一样，只是设置的内容多了一些，并且由于考察的信息较多，建议设定分析步骤，常用的步骤为
1.绘制散点图，判断是否存在线性趋势
2.初步建模，包括设定变量筛选方法
3.残差分析，分析建模之后的残差的正态性，独立性，方差齐性等问题
4.强影响点和多重共线性的判断
5.根据以上分析结果修正模型，并重复3-4，直到模型达到最优效果
分析—回归—线性。
spss多元回归分析案例
spss多元回归分析案例SPSS多元回归分析是一种常用的统计方法，可以通过分析多个自变量对一个或多个因变量的影响程度，帮助研究者理解变量之间的关系以及预测变量之间的变化情况。
以下是一个关于人们消费意愿的多元回归分析的案例。
假设我们想研究人们的消费意愿受到收入水平、年龄和受教育水平的影响程度。
我们收集了100个参与者的数据，包括他们的收入、年龄、受教育水平以及消费意愿。
下面将介绍如何使用SPSS进行多元回归分析。
首先，在SPSS软件中打开数据文件，并选择"回归"菜单下的"线性回归"选项。
然后将因变量（消费意愿）拉入"因变量"框中，将自变量（收入、年龄、受教育水平）拉入"自变量"框中。
其次，点击"统计"按钮，在弹出的对话框中勾选"无多重共线性检验"、"离群值"和"样本相关矩阵"选项，并点击"确定"按钮。
接下来，点击"模型"按钮，在弹出的对话框中选择"全量"和"因素样本相关系数"选项，并点击"确定"按钮。
然后，点击"保存"按钮，在弹出的对话框中输入保存路径和文件名，并勾选"标准化残差"、"标准化预测值"和"离群值的DFITS"选项，并点击"确定"按钮。
最后，点击"OK"按钮开始进行多元回归分析。
在分析结果中，我们可以查看每个自变量的回归系数、标准误、t值以及显著性水平。
还可以查看整体模型的解释力、统计显著性和调整R 平方。
根据分析结果，我们可以得出结论：收入水平、年龄和受教育水平对消费意愿有显著影响。
收入水平对消费意愿的影响最大，其次是受教育水平，年龄对消费意愿的影响较小。
多元回归分析SPSS
多元回归分析SPSS
SPSS可以进行多元回归分析的步骤如下：
1.导入数据：首先需要将所需的数据导入SPSS软件中。
可以使用SPSS的数据导入功能，将数据从外部文件导入到工作空间中。
2.选择自变量和因变量：在进行多元回归分析之前，需要确定作为自
变量和因变量的变量。
在SPSS中，可以使用变量视图来选择所需的变量。
3.进行多元回归分析：在SPSS的分析菜单中，选择回归选项。
然后
选择多元回归分析，在弹出的对话框中将因变量和自变量输入相应的框中。
可以选择是否进行数据转换和标准化等选项。
4.分析结果的解释：多元回归分析完成后，SPSS将生成一个回归模
型的结果报告。
该报告包括各个自变量的系数、显著性水平、调整R平方
等统计指标。
根据这些统计指标可以判断自变量与因变量之间的关系强度
和显著性。
5.进一步分析：在多元回归分析中，还可以进行进一步的分析，例如
检查多重共线性、检验模型的假设、进一步探索变量之间的交互作用等。
通过多元回归分析可以帮助研究者理解因变量与自变量之间的关系，
预测因变量的值，并且确定哪些自变量对因变量的解释更为重要。
在
SPSS中进行多元回归分析可以方便地进行数值计算和统计推断，提高研
究的科学性和可信度。
总结来说，多元回归分析是一种重要的统计分析方法，而SPSS是一
个功能强大的统计软件工具。
通过结合SPSS的多元回归分析功能，研究
者可以更快速、准确地进行多元回归分析并解释结果。
以上就是多元回归分析SPSS的相关内容简介。
spss多元回归分析报告案例
企业管理对居民消费率影响因素的探究---以湖北省为例改革开放以来,我国经济始终保持着高速增长的趋势,三十多年间综合国力得到显著增强,但我国居民消费率一直偏低,甚至一直有下降的趋势。
居民消费率的偏低必然会导致我国内需的不足,进而会影响我国经济的长期健康发展。
本模型以湖北省1995年-2010年数据为例，探究各因素对居民消费率的影响及多元关系。
（注：计算我国居民的消费率,用居民的人均消费除以人均GDP,得到居民的消费率）。
通常来说，影响居民消费率的因素是多方面的，如:居民总收入，人均GDP，人口结构状况1（儿童抚养系数，老年抚养系数），居民消费价格指数增长率等因素。
（注：数据来自《湖北省统计年鉴》）总消费(C:亿元) 总GDP（亿元）消费率(%)1995 1095.97 2109.38 51.96 1997 1438.12 2856.47 50.35 2000 1594.08 3545.39 44.96 2001 1767.38 3880.53 45.54 2002 1951.54 4212.82 46.32 2003 2188.05 4757.45 45.99 2004 2452.62 5633.24 43.54 2005 2785.42 6590.19 42.27 2006 3124.37 7617.47 41.02 2007 3709.69 9333.4 39.75 2008 4225.38 11328.92 37.30 2009 4456.31 12961.1 34.38 2010 5136.78 15806.09 32.50一、计量经济模型分析(一)、数据搜集根据以上分析，本模型在影响居民消费率因素中引入6个解释变量。
X1:居民1.人口年龄结构一种比较精准的描述是：儿童抚养系数(0-14岁人口与 15-64岁人口的比值)、老年抚养系数(65岁及以上人口与15-64岁人口的比值〉或总抚养系数(儿童和老年抚养系数之和)。
多重线性回归-SPSS教程
多重线性回归-SPSS教程一、问题与数据最大携氧能力（maximal aerobic capacity，VO2 max）是评价人体健康的关键指标，但测量方法复杂，不易实现。
具体原因在于，它不仅需要昂贵的试验设备，还需要研究对象运动到个人承受能力的极限，无法测量那些没有运动意愿或患有高危疾病无法运动的研究对象。
因此，某研究者拟通过一些方便、易得的指标建立研究对象最大携氧能力的预测模型。
该研究者共招募100位研究对象，分别测量他们的最大携氧能力（VO2 max），并收集年龄（age）、体重（weight）、运动后心率（heart_rate）和性别（gender）等变量信息。
部分数据图1。
图1 部分数据二、对问题分析研究者想根据一些变量（age、weight、heart_rate和gender）预测另一个变量（VO2 max）。
针对这种情况，可以使用多重线性回归分析，但需要先满足以下8项假设：假设1：因变量是连续变量。
假设2：自变量不少于2个（连续变量或分类变量都可以）。
假设3：各观测值之间相互独立，即残差之间不存在自相关。
假设4：因变量和自变量之间存在线性关系。
假设5：残差的方差齐。
假设6：不存在多重共线性。
假设7：没有显著异常值。
假设8：残差近似正态分布。
假设1和假设2与研究设计有关。
本研究数据符合假设1和2。
如何考虑假设3-8呢？三、SPSS操作3.1 多重线性回归SPSS运行多重线性回归后，可以在结果中检验假设3-8。
在主界面点击Analyze→Regression→Linear，在Linear Regression对话框中，将因变量（VO2 max）放入Dependent栏，再将自变量（age，weight，heart_rate和gender）放入Independent栏。
如图2。
图2 Linear Regression由于本研究的目的是通过现有数据建立预测模型预测VO2 max，并非筛选变量，因此Method栏应设置为“Enter”，一般是SPSS自动设置的；如果不是，也应人工设置为“Enter”。
SPSS多元线性回归分析报告实例操作步骤
SPSS多元线性回归分析报告实例操作步骤步骤1：导入数据首先，打开SPSS软件，并导入准备进行多元线性回归分析的数据集。
在菜单栏中选择"File"，然后选择"Open"，在弹出的窗口中选择数据集的位置并点击"Open"按钮。
步骤2：选择变量在SPSS的数据视图中，选择需要用于分析的相关自变量和因变量。
选中的变量将会显示在变量视图中。
确保选择的变量是数值型的，因为多元线性回归只适用于数值型变量。
步骤3：进行多元线性回归分析在菜单栏中选择"Analyze"，然后选择"Regression"，再选择"Linear"。
这将打开多元线性回归的对话框。
将因变量移动到"Dependent"框中，将自变量移动到"Independent(s)"框中，并点击"OK"按钮。
步骤4：检查多元线性回归的假设在多元线性回归的结果中，需要检查多元线性回归的基本假设。
这些假设包括线性关系、多重共线性、正态分布、独立性和等方差性。
可以通过多元线性回归的结果来进行检查。
步骤5：解读多元线性回归结果多元线性回归的结果会显示在输出窗口的回归系数表中。
可以检查各个自变量的回归系数、标准误差、显著性水平和置信区间。
同时，还可以检查回归模型的显著性和解释力。
步骤6：完成多元线性回归分析报告根据多元线性回归的结果，可以编写一份完整的多元线性回归分析报告。
报告应包括简要介绍、研究问题、分析方法、回归模型的假设、回归结果的解释以及进一步分析的建议等。
下面是一个多元线性回归分析报告的示例：标题：多元线性回归分析报告介绍：本报告基于一份数据集，旨在探究x1、x2和x3对y的影响。
通过多元线性回归分析，我们可以确定各个自变量对因变量的贡献程度，并检验模型的显著性和准确性。
研究问题：本研究旨在探究x1、x2和x3对y的影响。
SPSS多元线性回归分析教程
SPSS多元线性回归分析教程多元线性回归是一种广泛应用于统计分析和预测的方法，它可以用于处理多个自变量和一个因变量之间的关系。
SPSS是一种流行的统计软件，提供了强大的多元线性回归分析功能。
以下是一个关于如何使用SPSS进行多元线性回归分析的教程。
本文将涵盖数据准备、模型建立、结果解读等内容。
第一步是数据的准备。
首先，打开SPSS软件并导入所需的数据文件。
数据文件可以是Excel、CSV等格式。
导入数据后，确保数据的变量类型正确，如将分类变量设置为标称变量，数值变量设置为数值变量。
还可以对数据进行必要的数据清洗和变换，如删除缺失值、处理离群值等。
数据准备完成后，可以开始建立多元线性回归模型。
打开“回归”菜单，选择“线性”选项。
然后，将因变量和自变量添加到模型中。
可以一次添加多个自变量，并选择不同的方法来指定自变量的顺序，如逐步回归或全部因素回归。
此外，还可以添加交互项和多项式项，以处理可能存在的非线性关系。
在建立好模型后，点击“统计”按钮可以进行更多的统计分析。
可以选择输出相关系数矩阵、残差分析、变量的显著性检验等。
此外，还可以进行回归方程的诊断，以检查模型是否符合多元线性回归的假设。
完成模型设置后，点击“确定”按钮运行回归分析。
SPSS将输出多个结果表，包括回归系数、显著性检验、模型拟合度和预测结果等。
对于每个自变量，回归系数表示自变量单位变化对因变量的影响；显著性检验则用于判断自变量是否对因变量有显著影响；模型拟合度则表示模型的解释力如何。
在解读结果时，需要关注以下几个方面。
首先，回归系数的正负号表示因变量随自变量的增加而增加或减少。
其次，显著性检验结果应该关注到p值，当p值小于显著性水平（如0.05）时，可以认为自变量对因变量有显著影响。
最后，要关注模型拟合度的指标，如R方值、调整R方值和残差分析。
如果模型结果不满足多元线性回归的假设，可以尝试进行模型修正。
可以尝试剔除不显著的自变量、添加其他自变量、转换自变量或因变量等方法来改善模型的拟合度。
spss多重线性回归逐步回归法操作和结果解释方法
spss多重线性回归逐步回归法操作和结果解释方法∙∙|∙浏览：16524∙|∙更新：2012-11-24 22:30∙1∙2∙3∙4∙5∙6∙7分步阅读一键约师傅百度师傅最快的到家服务，最优质的电脑清灰！spss经常用到的一个回归方法是stepwise，也就是逐步回归，它指的是每次只纳入或者移除一个变量进入模型，这个方法虽然好用，但是最后可能出现几个模型都比较合适，你就要比较这几个模型的优劣，这是个麻烦事，这里就给大家简单的分析分析。
方法/步骤1.打开spss以后，打开数据，这些都准备好了以后，我们开始拟合方程，在菜单栏上执行：analyze---regression---linear，打开回归拟合对话框2.在这里，我们将因变量放大dependent栏，将自变量都放到independent栏3.将method设置为stepwise，这就是逐步回归法4.点击ok按钮，开始输出拟合结果5.我们看到的第一个表格是变量进入和移除的情况，因为这个模型拟合的比较好，所以我们看变量只有进入没有移除，但大部分的时候变量是有进有出的，在移除的变量这一栏也应该有变量的6.第二个表格是模型的概况，我们看到下图中标出来的四个参数，分别是负相关系数、决定系数、校正决定系数、随机误差的估计值，这些值（除了随机误差的估计值）都是越大表明模型的效果越好，根据比较，第四个模型应该是最好的7.方差分析表，四个模型都给出了方差分析的结果，这个表格可以检验是否所有偏回归系数全为0，sig值小于0.05可以证明模型的偏回归系数至少有一个不为零8.参数的检验，这个表格给出了对偏回归系数和标准偏回归系数的检验，偏回归系数用于不同模型的比较，标准偏回归系数用于同一个模型的不同系数的检验，其值越大表明对因变量的影响越大。
END经验内容仅供参考，如果您需解决具体问题(尤其法律、医学等领域)，建议您详细咨询相关领域专业人士。
作者声明：本篇经验系本人依照真实经历原创，未经许可，谢绝转载。
利用SPSS进行logistic回归分析(二元、多项)
线性回归是很重要的一种回归方法，但是线性回归只适用于因变量为连续型变量的情况，那如果因变量为分类变量呢比方说我们想预测某个病人会不会痊愈，顾客会不会购买产品，等等，这时候我们就要用到logistic回归分析了。
Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。
还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。
二值logistic回归：选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。
有没有很奇怪什么叫做协变量在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。
把你的自变量选到协变量的框框里边。
细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。
我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。
那么我们为了模型的准确，就把这个交互效应也选到模型里去。
我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。
然后在下边有一个方法的下拉菜单。
默认的是进入，就是强迫所有选择的变量都进入到模型里边。
除去进入法以外，还有三种向前法，三种向后法。
一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。
再下边的选择变量则是用来选择你的个案的。
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非常实用且强大的工具，它可以帮助我们探究多个自变量与一个因变量之间的线性关系。
下面，我将为您详细介绍使用 SPSS 进行多元线性回归分析的实例操作步骤。
首先，打开 SPSS 软件，我们需要准备好数据。
假设我们有一组关于房屋价格的数据集，其中包含房屋面积、房间数量、地理位置等自变量，以及房屋的销售价格作为因变量。
在 SPSS 中，通过“文件”菜单中的“打开”选项，找到并导入我们的数据文件。
确保数据的格式正确，并且变量的名称和类型都符合我们的预期。
接下来，选择“分析”菜单中的“回归”，然后点击“线性”选项，这就开启了多元线性回归分析的设置窗口。
在“线性回归”窗口中，将我们的因变量（房屋销售价格）放入“因变量”框中，将自变量（房屋面积、房间数量、地理位置等）放入“自变量”框中。
然后，我们可以点击“统计”按钮，在弹出的“线性回归：统计”窗口中，根据我们的需求选择合适的统计量。
通常，我们会勾选“估计”“置信区间”“模型拟合度”等选项，以获取回归系数的估计值、置信区间以及模型的拟合优度等信息。
接着，点击“图”按钮，在“线性回归：图”窗口中，我们可以选择绘制一些有助于分析的图形，比如“标准化残差图”，用于检查残差的正态性；“残差与预测值”图，用于观察残差的分布是否均匀。
再点击“保存”按钮，在这里我们可以选择保存一些额外的变量，比如预测值、残差等，以便后续的进一步分析。
设置完成后，点击“确定”按钮，SPSS 就会开始进行多元线性回归分析，并输出相应的结果。
结果中首先会给出模型的汇总信息，包括 R 方（决定系数）、调整后的 R 方等。
R 方表示模型对因变量的解释程度，越接近 1 说明模型的拟合效果越好。
调整后的 R 方则考虑了自变量的个数，对模型的拟合优度进行了更合理的修正。
接着是方差分析表，用于检验整个回归模型是否显著。
如果 F 值对应的显著性水平小于设定的阈值（通常为 005），则说明回归模型是显著的，即自变量整体上对因变量有显著的影响。
SPSS案例实践笔记：多重线性回归分析数据小兵博客
SPSS案例实践笔记：多重线性回归分析数据小兵博客当只考察一个自变量对因变量的影响时，我们称之为简单一元线性回归，如果要多考察一些自变量，此时许多人习惯性将之称为多元线性回归，统计学上建议称之为多重线性回归，避免和多元统计方法冲突。
案例背景介绍这是mei国50个州关于犯罪率的一组数据，包括人口、面积、收入、文盲率、高中毕业率、霜冻天数、犯罪率共7个指标，现在我们想考察一下州犯罪率和其他因素间的关系。
SPSS变量视图如下：研究目标是各州的犯罪率（因变量），可能的因素（自变量）是人口、面积、收入、文盲率、高中毕业率、霜冻天数。
因变量犯罪率连续数值变量，有多个自变量，从研究目标和数据类型来看，可选用多重线性回归分析。
线性关系初步判断线性回归要求每个自变量和因变量之间存在线性关系，可以依靠相关分析和散点图来初步判断。
犯罪率与文盲率、霜冻天数、高中毕业率、人口存在较为明显的线性关系，面积和其他变量普遍无关，越冷的地方文盲率越低、高中毕业率越高。
有统计学意义的相关系数依次为：0.703（文盲率）、-0.539（霜冻天数）、-0.488（高中毕业率）、0.344（人口）。
除因变量外其他因素两两间相关系数均在0.7以下，因素间没有强相关关系存在，初步提示共线性问题较弱。
以上分析表明，并不是所有因素都有犯罪率存在明显线性关系，如果我们构建多重线性回归，这可能涉及到自变量筛选的问题，可优先选择逐步回归的方法。
共线性问题共线性问题是由于自变量间存在强相关关系造成的，它的存在对回归是有影响的，现在我们需要观察6个自变量间的共线性问题，最为常见的依据则是关注容忍度Tol和方差膨胀因子VIF。
SPSS在线性回归中可以是输出这两个指标，来看一下具体情况：VIF是T ol的倒数，所以它们两个其实是一回事，我们只需要解读其一即可。
一般认为如果某个自变量的容忍度T ol＜0.1，则可能存在严重共线性问题。
反过来就是VIF＞10提示存在较为严重共线性问题。
SPSS教程：做多重线性回归,方差不齐怎么办
SPSS教程：做多重线性回归，方差不齐怎么办今天我们就来继续讨论一下，如果残差不满足方差齐性时，应该如何解决？一、残差方差齐性判断1. 残差方差齐性回顾一下前面介绍过的残差方差齐性，即残差ei的大小不随预测值水平的变化而变化。
我们在进行残差分析时，可以通过绘制标准化残差和标准化预测值的散点图来进行判断。
若残差满足方差齐性，则标准化残差的散点会在一定区域内，围绕标准化残差ei=0这条直线的上下两侧均匀分布，不随标准化预测值的变化而变化，如图1所示。
图1. 标准化残差散点图（方差齐性）2. 残差方差不齐但有时残差不满足方差齐性的假设，其标准化残差散点图显示，残差的变异程度随着变量取值水平的变化而发生变化，如图2(a)显示标准化残差的分布随变量取值的增大而呈现扩散趋势，图2(b)显示标准化残差的分布随变量取值的增大而呈现收敛趋势，说明残差不满足方差齐性的条件。
图2. 标准化残差散点图（方差不齐）二、加权最小二乘法在多重线性回归模型中，我们采用的是普通最小二乘法（Ordinary Least Square，OLS）来对参数进行估计，即要求每个观测点的实际值与预测值之间的残差平方和最小，对于模型中的每个观测点是同等看待的，残差满足方差齐性的假设。
但是在有些研究问题中，例如调查某种疾病的发病率，以地区为观测单位，很显然地区人数越多，所得到的率就越稳定，变异程度越小，而地区人数越少，所得到的率的变异就越大。
在这种情况下，因变量的变异程度会随着自身数值或其他变量的变化而变化，残差不满足方差齐性的条件。
此时如果继续采用OLS方法进行模型估计，则拟合结果就会受到变异程度较大的数据的影响，在这种情况下构建的回归模型就会发生偏差，预测精度降低，甚至预测功能失效。
为了解决这一问题，我们可以采用加权最小二乘法（Weighted Least Squares，WLS）的方法来进行模型估计，即在模型拟合时，根据数据变异程度的大小赋予不同的权重，对于变异程度较小、测量更精确的数据赋予较大的权重，对于变异程度较大、测量不稳定的数据赋予较小的权重，从而使得加权后回归直线的残差平方和最小，保证拟合的模型具有更好的预测价值。
spss简单回归与多重回归分析
选择enter，（选入全部变量）
精品课件
精品课件
描述
Descriptive Statistics
Mean S td. Deviation
脂 联 素 ADI(ng/m1l8).8290
9.1450
体 重 指 数 BMI(kg2/4m.920)00
3.0477
病 程 DY（ 年 ） 6.757
4.640
Y与一个或多个自变量（ independent variable ）
X之间的线性依存关系。
精品课件
回归分析的要求
• 1、应变量Y服从正态分布 • 2、自变量X可以是随机变动的，也可以是精
确测量或人为取值的变量
• 线性回归模型的适用条件(line)
• L-线性
• I-独立性
• N-正态性
• E-方差齐性
瘦 素 LEP(ng/ml) 10.0730
6.3822
空 腹 血 糖 FPG(mm8o.l/0l)70
2.203
N 30 30 30 30 30精品课件两两Fra bibliotek关（简单相关）
独立性检验
精品课件
Plots对话框
精品课件
Options对话框
精品课件
例题11-1操作步骤： 1、定义变量，输入数据
精品课件
先检验适用条件
• 一、线性（散点图）： • 1、x与y • 2、x与非标准化残差的散点图（在多重回
归分析中，效率高于散点图矩阵） • 步骤： • graphs→scatter/Dot…→simple scatter
简单回归分析
• 回归分析（regression variable）：
•
研究一个变量如何随另一个变量变化的常用
SPSS数据分析—多重线性回归
只有一个自变量和因变量的线性回归称为简单线性回归，但是实际上，这样单纯的关系在现实世界中几乎不存在，万事万物都是互相联系的，一个问题的产生必定多种因素共同作用的结果。
对于有多个自变量和一个因变量的线性回归称为多重线性回归，有的资料上称为多元线性回归，但我认为多元的意思应该是真的因变量而非自变量的，而且多重共线性这个说法，也是针对多个自变量产生的，因此我还是赞同叫做多重线性回归。
多重线性回归是适用条件和简单线性回归类似，也是自变量与因变量之间存在线性关系、残差相互独立、残差方差齐性，残差呈正态分布，但是由于自变量多于1个，因此还需要要求自变量之间不存在相关性，即不存在多重共线性，但是完全不存在相关的两个变量是不存在的，因此条件放宽为只要不是强相关性，都可以接受。
多重线性回归在SPSS中的操作过程和简单线性回归一样，只是设置的内容多了一些，并且由于考察的信息较多，建议设定分析步骤，常用的步骤为1. 绘制散点图，判断是否存在线性趋势2. 初步建模，包括设定变量筛选方法3. 残差分析，分析建模之后的残差的正态性，独立性，方差齐性等问题4. 强影响点和多重共线性的判断5. 根据以上分析结果修正模型，并重复3-4，直到模型达到最优效果分析一回归一线性本例研究的是猪的痩肉呈和三个部程肉最的关系.因变量只能选入一个，而自变量可U納入多个，在自变量选择上，根据专业经验"a 们认为这些自喪量都比校重要*因哉吏最的筛选方法选择向启法V Dur^rbWatson(U)區个務羽斷9)© X^tf (o )： [3[标爪丧在毓计量按钮中，除了 默认的估计和模型拟合 度之外.我们再选择共 线性诊断、Durbin.- Tatsom 个案诊断・这 三个的作用分别是，判 断共线性、栓查残差的 独立性以及强影响点的 判断在绘制按钮中•主要是输岀残差的统 ifS ＞我们迭择直方團和正态談率 S ＞也可以根据左侧的统计量绘制散 点图•左侧统计童依次为， DEPEHDHT ：因变量•ZPRED:标准化荻测值 ♦ZRESID:标准化残差 •DRESID:ft 除的残差•ADJPREDziS 整的残差 •SRESID: Student •SDRVSID: Student* 除残差 本例我幻在X 轴选择标准化预测值.T 轴选择标准化残差.并选择标准化残 差的直方图和正态談率囲II7 E ・X>A>・HaQWS：♦IP! 1 wn (j )■・■ w 押n £ ®>M»3Wfc —w. ct<rPM>・B^OeB«004N ■ ■ Mfti )<rwa1^ or*r>VMMCCMofFitcr 》W) ・■(*m«CCM<£)■保存按钮用来将一些分 析结果保存在数据中， 以便后续分析，在此我 们不做选择/復SWU 含度廻) 臼負方實化®ElHfc®性SW 相关和■«关也兰Ji 取廨 UV )[</在等式中包含當运（!）@茨列表从稼个案（丄）0按时携降个案®卫便用均値替横（旦）[址缤]取消 ttro结果中，首先看到筛选 变量摘要.因为我们选 择的是向后筛选法，首 先将所有变量纳入模型 中.结果中首先显示转 入三个变量.其次可以 看到.最终将肌肉面积 这个变量移除了.因为 它超过了我们设定的概 率值不链大于0. 1的范 S具次嘗岀的结果是模型孔忌.町以看 出有两个模型，-个是三个变莹全部 迭入时的模型，一个是期除肌肉面枳 变量后的模型，可见，剔除该变量之 后.R 方有所降低，世是调整R 方増 大.说明則除之后的模聖比之前的晏 奸，而且标准误差也有所降低.D-■检 验值在0-4ZfS]>说明残差独立性良好选择按钮用来设置变量 筛选的条件，以及是否 在模型中包含常量，并 且可以对缺失值进行处 理.在此我们选择默认 即可输入的雯量 移上的隹 方法 1 2II 肉量■肌由茴 积供向量b •肌肉面积输入向后（准则:F-to-remove >=.100叭僭 主）msjR R 方 仪”方 •：・e古.rDurbin- Watson1917- &41 $19 462492.>ie b$38$24・45创12 358[挣进方法标慮©）使用F 的韵率Q ） 近丙:]05 瞒邂）| io I ◎便用F«（V ）输入/诈夫的娈量Wa 因変量坡肉量 b.已输入所育诸求B 丁至b 廉ifflg 他(*i). Fol Vnl-aB ScAtwwaa BC ensb t n (京②.审 n®«i iFna e F ；哄=(煮IBn® VHft 模型的整体方差检验显 示，两个模型均有统计 学童义，井且回归部分 的数值也相差不大模型系致表显示，M 肉面积这个变童没有 统计学意义.将其期 除之后，其余变量的 系数值并未发生巨大 变牝，后续的容差和 ▼IF 值为共线性统计 量，容差越接近th K ▼IF 值越接近5,说明 共线性越严重.从本 例情况来看■问題不 大后续的结果也是共线性的诊断，从特 征值指标耒看.除了笫一维之外.其 余的均比较接近.而第一维作为笫一 个主成分，值很大时正當的。
如何用SPSS检验多重共线性
如何用SPSS检验多重共线性如何用SPSS检验多重共线性在SPSS中有专门的选项的。
例如在回归分析中，线性回归-统计量-有共线性诊断。
多重共线性：自变量间存在近似的线性关系，即某个自变量能近似的用其他自变量的线性函数来描述。
多重共线性的后果：整个回归方程的统计检验P<a，但所有偏回归系数的检验均无统计学意义。
偏回归系数的估计值大小明显与常识不符，甚至连符号都是相反的。
比如拟合结果表明累计吸烟量越多，个体的寿命就越长。
在专业知识上可以肯定对应变量有影响的因素，在多元回归分析中却P>a，不能纳入方程去掉一两个变量或记录，方程的回归系数值发生剧烈抖动，非常不稳定。
多重共线性的确认：做出自变量间的相关系数矩阵：如果相关系数超过0.9的变量在分析时将会存在共线性问题。
在0.8以上可能会有问题。
但这种方法只能对共线性作初步的判断，并不全面。
容忍度（Tolerance）:有Norusis 提出，即以每个自变量作为应变量对其他自变量进行回归分析时得到的残差比例，大小用1减决定系数来表示。
该指标越小，则说明该自变量被其余变量预测的越精确，共线性可能就越严重。
陈希孺等根据经验得出：如果某个自变量的容忍度小于0.1，则可能存在共线性问题。
方差膨胀因子（Variance inflation factor, VIF）: 由Marquardt 于1960年提出，实际上就是容忍度的倒数。
特征根（Eigenvalue）：该方法实际上就是对自变量进行主成分分析，如果相当多维度的特征根等于0，则可能有比较严重的共线性。
条件指数（Condition Idex）：由Stewart等提出，当某些维度的该指标数值大于30时，则能存在共线性。
多重共线性的对策：增大样本量，可部分的解决共线性问题采用多种自变量筛选方法相结合的方式，建立一个最优的逐步回归方程。
从专业的角度加以判断，人为的去除在专业上比较次要的，或者缺失值比较多，测量误差比较大的共线性因子。
- 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)。
实验二多重回归分析一、实验目的研究样本数据离差阵、样本协方差阵，以及变量之间的相关系数（包括偏相关）并作相关性分析。
二、实验要求为研究高等院校人文社会科学研究中立项课题数受那些因素的影响，收集到某年31个地区部分高校有关社科研究方面的数据（见SPSS数据），利用此的数据，设定立项课题数X5为因变量（被解释变量），X2，X3，X4，X6,X7,X8为解释变量，作多重回归分析。
三、实验内容1.依次点击“分析→回归→线性回归”，得到如下图一所示：【图一】2.点击“统计量”，得到如下图二所示：【图二】3.点击“继续”，得到如下图三所示：【图三】4.点击“继续→确定”，得到如下表一所示：【表一】回归其中，容差（容忍度）：21i i Tol R =- 2i R 是解释变量i X 与其他解释变量间的复相关系数的平方。
容忍度取值范围为0-1，越接近0表示多重共线性越强，容忍度越接近于1表示多重共线性越弱。
方差膨胀因子（VIF ）：1iiV I F T o l =即为容忍度的倒数。
i VIF 的值大于等于1，i VIF 越小，说明多重共线性越弱。
可见，投入高级职称的人年数的容差最小，为0.007，多重共线性是最弱的，其次是投入人年数；获奖数的容差最大，为0.358，多重共线性最强。
其中，解释变量相关阵的特征根和方差比：如果解释变量有较强的相关性，则它们之间必然存在信息重叠。
可通过解释变量相关阵的特征值来反映。
解释变量相关阵的最大特征根能够解释说明解释变量信息的比例是最高的，其他特征根随其特征值的减小对解释变量方差的的解释能力依次减弱。
如果这些特征根中，最大特征根远远大于其他特征根，说明这些解释变量间具有相当多的重叠信息。
条件指数：是在特征值基础上的定义的能反映解释变量间多重共线性的指标mi ik λλ=i k 为第i 个条件指数，m λ是最大特征根。
通常当010i k ≤<时，认为多重共线性弱；当10100i k ≤<时，认为多重共线性较强；当是100i k ≥，认为多重共线性很严重。
可见，专著数、论文数及获奖数的多重共线性较强；投入人年数、投入高级职称的人年数及投入科研事业费的多重共线性较弱。
通过观察数据窗口的库克距离和杠杆值变量的值，发现没有明显的异常点。
综上分析，因此此模型需要改进。
将方法中的“进入”改为“逐步”，其余操作不变，如下图四所示：【图四】点击“确定”，得到如表二所示：【表二】回归可见，投入高级职称的人年数的容差最小，为0.024，多重共线性是最弱的，其次是论文数；投入科研经费的容差最大，为0.267，多重共线性最强。
通过观察数据窗口的库克距离和杠杆值变量的值，发现没有明显的异常点。
也可将方法改为“向后”，如下图五所示：【图五】点击“确定”，得出分析结果如下表三所示：【表三】回归输入／移去的变量(b)模型输入的变量移去的变量方法1 获奖数, 投入科研事业费（百元）,论文数, 专著数, 投入人年数, 投入高级职称的人年数(a). 输入2. 专著数向后（准则:F-to-r emove 的概率<= .100）。
3. 投入高级职称的人年数向后（准则:F-to-remove 的概率<= .100）。
4.投入科研事业费（百元）向后（准则:F-to-remove 的概率<= .100）。
5. 获奖数向后（准则:F-to-r emove 的概率<= .100）。
6. 论文数向后（准则:F-to-r emove 的概率<= .100）。
a 已输入所有请求的变量。
b 因变量: 课题总数模型摘要(g)模型R R 方调整的 R方估计的标准差更改统计量Durbin-WatsonR 方更改 F 更改df1 df2显著性F更改1 .969(a) .939 .924 231.5255 .939 61.532 6 24 .0002 .969(b) .939 .927 226.8644 .000 .004 1 24 .9533 .968(c) .937 .927 226.5820 -.002 .935 1 25 .3434 .965(d) .931 .923 232.0833 -.006 2.327 1 26 .1395 .963(e) .927 .921 234.8694 -.004 1.676 1 27 .2066 .959(f) .919 .917 241.9582 -.007 2.777 1 28 .107 1.747a 预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 专著数, 投入人年数, 投入高级职称的人年数。
b 预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 投入人年数, 投入高级职称的人年数。
c 预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 投入人年数。
d 预测变量:(常量), 获奖数, 论文数, 投入人年数。
e 预测变量:(常量), 论文数, 投入人年数。
f 预测变量:(常量), 投入人年数。
g 因变量: 课题总数ANOVA(g)模型平方和df 均方 F 显著性1 回归19790312.879 63298385.48061.532 .000(a)残差1286497.12124 53604.047 合计21076810.000302 回归19790123.766 53958024.75376.903 .000(b)残差1286686.23425 51467.449 合计21076810.000303 回归19741985.311 44935496.32896.135 .000(c)残差1334824.68926 51339.411合计21076810.000304 回归19622518. 3 6540839.5121.436 .000(d)608 36 残差1454291.39227 53862.644 合计21076810.000305 回归19532228.232 29766114.116177.039 .000(e)残差1544581.76828 55163.635 合计21076810.000306 回归19379040.047 119379040.047331.018 .000(f)残差1697769.95329 58543.791合计21076810.00030a 预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 专著数, 投入人年数, 投入高级职称的人年数。
b 预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 投入人年数, 投入高级职称的人年数。
c 预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 投入人年数。
d 预测变量:(常量), 获奖数, 论文数, 投入人年数。
e 预测变量:(常量), 论文数, 投入人年数。
f 预测变量:(常量), 投入人年数。
g 因变量: 课题总数系数(a)模型非标准化系数标准化系数t 显著性B 的 95% 置信区B 标准误Beta 下限上限1 （常量）-35.313 76.580 -.461 .649 -193.367 122投入人年数.698 .208 1.361 3.352 .003 .268 1投入高级职称的人年数-.467 .626 -.464 -.747 .463 -1.759 投入科研事业费（百元）.003 .002 .237 1.601 .122 -.001 专著数.022 .377 .014 .059 .953 -.755论文数-.064 .053 -.252 -1.198 .243 -.173获奖数.712 .503 .119 1.416 .170 -.326 1 2 （常量）-36.246 73.442 -.494 .626 -187.504 115投入人年数.692 .176 1.349 3.932 .001 .329 1投入高级职称的人年数-.443 .458 -.439 -.967 .343 -1.385投入科研事业费（百元）.003 .002 .240 1.778 .088 .000 论文数-.064 .052 -.253 -1.230 .230 -.170获奖数.701 .453 .117 1.548 .134 -.232 1 3 （常量）-29.791 73.047 -.408 .687 -179.942 120投入人年数.553 .102 1.079 5.411 .000 .343投入科研事业费（百元）.002 .001 .152 1.525 .139 -.001 论文数-.088 .045 -.348 -1.934 .064 -.181获奖数.716 .452 .120 1.586 .125 -.212 1 4 （常量）-63.385 71.340 -.889 .382 -209.762 82投入人年数.644 .085 1.255 7.527 .000 .468论文数-.096 .046 -.381 -2.081 .047 -.191 -获奖数.589 .455 .099 1.295 .206 -.344 1 5 （常量）-67.925 72.109 -.942 .354 -215.633 79投入人年数.628 .086 1.224 7.330 .000 .452论文数-.070 .042 -.278 -1.666 .107 -.1566 （常量）-94.524 72.442 -1.305 .202 -242.685 53投入人年数.492 .027 .959 18.194 .000 .436a 因变量: 课题总数系数相关(a)模型获奖数投入科研事业费（百元）论文数专著数投入人年数投入高级职称的人年数1 相关性获奖数 1.000 -.048 -.310 .396 .181 -.239投入科研事业费（百元）-.048 1.000 .347 -.363 .057 -.226论文数-.310 .347 1.000 .070 .017 -.404专著数.396 -.363 .070 1.000 .506 -.666投入人年数.181 .057 .017 .506 1.000 -.860 投入高级职称的人年数-.239 -.226 -.404 -.666 -.860 1.000协方差获奖数.253 -4.396E-05-.008 .075 .019 -.075投入科-4.396 3.377E-0 3.383E.000 2.163E.000研事业费（百元）E-05 6 -05 -05论文数-.008 3.383E-05.003 .001 .000 -.013专著数.075 .000 .001 .142 .040 -.157投入人年数.0192.163E-05.000 .040 .043 -.112投入高级职称的人年数-.075 .000 -.013 -.157 -.112 .3922 相关性获奖数 1.000 .112 -.369 -.025 .036投入科研事业费（百元）.112 1.000 .401 .299 -.673论文数-.369 .401 1.000 -.022 -.480投入人年数-.025 .299 -.022 1.000 -.813 投入高级职称的人年数.036 -.673 -.480 -.813 1.000协方差获奖数.205 8.537E-05-.009 -.002 .008投入科研事业费（百元）8.537E-052.815E-063.486E-058.828E-05-.001论文数-.009 3.486E-05.003 .000 -.011投入人年数-.0028.828E-05.000 .031 -.065投入高级职称的人年数.008 -.001 -.011 -.065 .2093 相关性获奖数 1.000 .185 -.401 .008投入科研事业费（百元）.185 1.000 .119 -.578论文数-.401 .119 1.000 -.807投入人年数.008 -.578 -.807 1.000 协方差获奖数.204 .000 -.008 .000 投入科研事业费（百元）.0001.535E-066.719E-06-7.320E-05论文数-.008 6.719E-06.002 -.004投入人年数.000-7.320E-05-.004 .0104 相关性获奖数 1.000 -.434 .144论文数-.434 1.000 -.911投入人年数.144 -.911 1.000 协方差获奖数.207 -.009 .006论文数-.009 .002 -.004投入人年数.006 -.004 .007 5 相关性论文数 1.000 -.952投入人年数-.952 1.000 协方差论文数.002 -.003投入人年数-.003 .007 6 相关性投入人年数1.000协方差投入人年数.001 a 因变量: 课题总数共线性诊断(a)模型维特征值条件索引方差比例（常量）投入人年数投入高级职称的人年数投入科研事业费（百元）专著数论文数获奖数1 1 6.137 1.000 .01 .00 .00 .00 .00 .00 .002 .452 3.684 .33 .00 .00 .03 .01 .00 .043 .294 4.572 .32 .00 .00 .01 .00 .00 .394 .073 9.142 .26 .01 .00 .39 .00 .06 .295 .028 14.719 .09 .03 .00 .37 .55 .02 .156 .014 21.020 .00 .12 .01 .17 .00 .82 .067 .002 58.796 .00 .84 .98 .03 .44 .10 .052 1 5.247 1.000 .01 .00 .00 .00 .00 .012 .382 3.706 .52 .00 .00 .06 .00 .013 .280 4.325 .16 .00 .00 .04 .00 .554 .073 8.466 .29 .01 .00 .41 .06 .385 .014 19.403 .00 .18 .02 .14 .80 .066 .003 41.788 .02 .80 .97 .35 .14 .00 3 1 4.273 1.000 .01 .00 .01 .00 .012 .369 3.401 .54 .00 .13 .00 .003 .277 3.925 .14 .00 .09 .00 .544 .067 7.987 .31 .07 .59 .13 .415 .013 18.195 .00 .93 .17 .87 .04 4 1 3.514 1.000 .02 .00 .00 .022 .314 3.346 .73 .00 .00 .223 .157 4.727 .23 .06 .02 .654 .015 15.232 .02 .93 .97 .115 1 2.732 1.000 .04 .00 .002 .251 3.299 .95 .02 .023 .017 12.725 .01 .97 .986 1 1.800 1.000 .10 .102 .200 3.001 .90 .90a 因变量: 课题总数已排除的变量(f)模型Beta In t 显著性偏相关共线性统计量容差VIF最小容差2 专著数.014(a).059 .953 .012 .046 21.875 .0073 专著数-.103(b)-.592 .559 -.118 .082 12.179 .059投入高级职称的人年数-.439(b)-.967 .343 -.190 .012 84.526 .0124 专著数.080(c).632 .533 .123 .164 6.091 .064投入高级职称的人年数.104(c).299 .767 .059 .022 46.195 .022投入科研事业费（百元）.152(c)1.525 .139 .287 .246 4.069 .0615 专著数.016(d).131 .897 .025 .188 5.314 .065投入高级职称的人年数.035(d).100 .921 .019 .022 45.121 .022投入科研事.123(d 1.220 .233 .229 .254 3.930 .061业费（百元）)获奖数.099(d)1.295 .206 .242 .4402.274 .076 6 专著数.023(e).182 .857 .034 .188 5.308 .188投入高级职称的人年数-.119(e)-.343 .734 -.065 .024 41.733 .024投入科研事业费（百元）.152(e)1.528 .138 .278 .267 3.748 .267获奖数.030(e).411 .684 .077 .542 1.846 .542 论文数-.278(e)-1.666 .107 -.300 .094 10.650 .094a 模型中的预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 投入人年数, 投入高级职称的人年数。