Question

请教spss回归分析结果解读

spss结果分析：多元线性回归分析结果中，模型汇总一栏中R²为0.793，调整R²=0.608；Anova一栏中Sig值为0.022.系数一栏如图：（即sig值除常量外均大于0.05）因为这个模型是自己建立的 而且也只是想寻找一下这些自变量和因变量之间的大概关系，没有其他因素的数据可供建立模型了。那么我可不可以使用这个模型，还是说我得想办法用其他回归模型重新进行拟合？（非专业学生 请见谅）
倒数第三列是sig值，第四列是t值

Answer 1

说明一下各个符号，constant的意思是常量，实际上就是回归方程的截距，也就是自变量为0时因变量的取值，如果你的方程是标准化的，且因变量是正态分布的，那么常量会变成0，也就是没有截距。B也就是beta，代表回归系数，标准化的回归系数代表自变量也就是预测变量和因变量的相关，为什么要标准化，因为标准化的时候各个自变量以及因变量的单位才能统一，使结果更精确，减少因为单位不同而造成的误差。T值就是对回归系数的t检验的结果，绝对值越大，sig就越小，sig代表t检验的显著性，在统计学上，sig<0.05一般被认为是系数检验显著，显著的意思就是你的回归系数的绝对值显著大于0，表明自变量可以有效预测因变量的变异，做出这个结论你有5%的可能会犯错误，即有95%的把握结论正确。
回归的检验首先看anova那个表，也就是F检验，那个表代表的是对你进行回归的所有自变量的回归系数的一个总体检验，如果sig<0.05,说明至少有一个自变量能够有效预测因变量，这个在写数据分析结果时一般可以不报告
然后看系数表，看标准化的回归系数是否显著，每个自变量都有一个对应的回归系数以及显著性检验
最后看模型汇总那个表，R方叫做决定系数，他是自变量可以解释的变异量占因变量总变异量的比例，代表回归方程对因变量的解释程度，报告的时候报告调整后的R方，这个值是针对自变量的增多会不断增强预测力的一个矫正（因为即使没什么用的自变量，只要多增几个，R方也会变大，调整后的R方是对较多自变量的惩罚），R可以不用管，标准化的情况下R也是自变量和因变量的相关
标准误表示由于抽样误差所导致的实际值和回归估计值的偏差大小，标准误越小，回归线的代表性越强
希望对您有用

Answer 2

首先看 方差分析表 对应的sig 是否小于0.05，如果小于0.05，说明整体回归模型显著，再看下面的回归系数表，如果这里的sig大于0.05，就说明回归模型不显著，下面的就不用再看了。

其次，在回归模型显著的基础上，看调整的R方，是模型拟合度的好坏，越接近1，说明拟合效果越好。这个在一般做论文中，不需要管它的高低，因为论文重在研究方法和思路的严谨性，导师不会追究你的结果是对是错，你的数据本身就不一定有质量，所以无所谓，不必在意。

第三 看具体回归系数表中每个自变量 对应的sig值，如果sig小于0.05，说明该自变量对因变量有显著预测作用，反之没有作用。

追问

方法分析表内sig＜0.05 回归模型显著；
调整R²也达到老师理想的值；
主要就是回归系数表里每个自变量对应的sig值都大于0.05了，没有预测作用 我的问题是 可不可以使用这个模型作为解释模型，说明自变量对因变量的作用？
谢谢。

追答

不可以，模型整体显著，而每个自变量不显著，说明自变量间可能存在共线性，要把共线性排除了再做回归分析。
排除共线性的方法，简单粗暴的就是通过相关分析看哪两个自变量间相关系数特别大，直接删掉一个就好，另外一种相对科学的方法是 对自变量做主成份分析，然后用主成份做回归。