SPSSAU教程05：相关回归分析指标解读1 相关分析指标解读
相关分析用于研究变量间的关联程度，不区分自变量（X）和因变量（Y），但实际分析中世租通常关注X与Y的相关性。核心指标为相关系数（如Pearson相关系数），其取值范围为[-1, 1]：
绝对值大小：表示关系紧密程度。通常认为：
|r| > 0.4：关系紧密
0.2 < |r| ≤ 0.4：关系较弱
|r| ≤ 0.2：几乎无线性关系
符号方向：
r > 0：正相关（X增大，Y倾向增大）
r < 0：负相关（X增大，Y倾向减小）
显著性：通过P值判断（如P < 0.05表示相关性显著），结果表格中通常用*号标注显著性。分析步骤数据可视化：通过散点图初步观察变量关系模式（如线性、非线性）。判断相关性存在：检查相关系数是否显著（P值或*号标记）。确定方向：根据相关系数符号判断正负相关。评估紧密程度：依据相关系数绝对值大小分类描述。
2 回归分析指标解读
线性回归分析研究X对Y的影响关系，核心指标包括：
R平方（R2）：模型拟合优度，表示X解孝掘释Y变异的比例（0 ≤ R2 ≤ 1），值越大拟合越好。VIF值：方差膨胀因子，用于检测多重共线性（VIF > 10表明存在严重共线性）。回归系数（B）：表示X每变化1单位，Y的平均变化量（需结合显著性判断有效性）。P值：检验X对Y的影响是否显著（P < 0.05或0.01通常认为显著）。标准误：回归系数的估计精度，标准误越小，估计越稳定。
分析步骤模型诊断：
通过R2评估拟合效果，VIF检测共线性（若存在共线性，可改用岭回归或逐步回归）。
公式构建：根据回归系数写出模型公式（如Y = a + b?X? + b?X?）。显著性检验：检查X的P值，若显著（P < 0.05），则说明X对Y有影响。影响方向与程度：
方向：根据回归系数符号判断（正/负影响）。
程度：对比回归系数绝对值大小（需确保X单位一致）。
总结结论：综合上述结果，描述X对Y的影响模式及解释力度。
3 Logistic回归分析分类与适用场景
Logistic回归分析研究X对分类变量Y的影响，根据Y的类别分为：
二元Logistic回归：Y为二分类（如是/否、成功/失败）。多元无序Logistic回归：Y为多分类且无序（如颜色：红、绿、蓝）。多元有序Logistic回归：Y为多分类且有序（如满意度：低、中、高）。
问卷研究中二元Logistic回归最为常用，因其结果易于解释。
指标解读1：模型整体有效性模型似然比检验：通过P值判断模型是否显著（P < 0.05表示模型有效）。AIC/BIC值：用于模型比较，搜慎兆值越小说明模型越优（多次分析时对比变化趋势）。指标解读2：变量影响关系P值：检验X对Y的影响是否显著（P < 0.05表示显著）。回归系数（B）：表示X对Y影响的方向（符号）和程度（需结合OR值解释）。OR值（优势比）：
OR > 1：X增加会提高Y发生的概率。
OR < 1：X增加会降低Y发生的概率。
例如：OR = 2表示X每增加1单位，Y发生的概率变为原来的2倍。
R Pseudo R2：类似线性回归的R2，表示模型解释Y变异的比例（但值通常较小）。
分析步骤模型整体评估：
描述R Pseudo R2值，列出模型公式（如logit(P) = a + b?X? + b?X?）。
变量影响分析：
逐一检查X的P值，若显著（P < 0.05），则结合OR值解释影响方向和幅度。
总结结论：综合模型和变量结果，描述X对Y的影响模式及实际意义。其他注意事项Y编码：必须为0和1（否则需通过“数据编码”功能转换）。模型优化：若预测准确率低，需多次分析对比AIC/BIC值，选择最优模型。定类变量处理：若X为分类变量，需设置为虚拟（哑）变量。变量筛选：当X数量较多（如超过10个）时，需通过方差分析或卡方检验筛选显著变量后再建模。
更详细的方法说明和案例操作可参考SPSSAU官网。
