求分析spss一元线性回归结果

1. 求分析spss一元线性回归结果

1) R方=0.552说明存款利率作为自变量可以解释因变量（ 六个月后涨跌额）55.2%， Durbin-Watson=1.457表示残差自相关不强，
①当残差与自变量互为独立时，D=2 或 DW 越接近2，判断无自相关性把握越大。
②当相邻两点的残差为正相关时，D<2，DW 越接近于0，正自相关性越强。
③当相邻两点的残差为负相关时，D>2，DW 越接近于4，负自相关性越强。
2)anova table直接看 significance ＜0.05模型显著，接受这个模型。
3）模型： 六个月后涨跌额= -1559.357 *存款利率+5445.934 
4）格式问题，没看明白可能是相关系数，
5）一些统计量和优化回归的办法。其实前三个表就证实这个模型合理啦。

2. 请教SPSS进行一元线性回归分析的一般步骤

一个自变量 一个因变量 
    如果要进行线性回归，无论是一元还是多元，第一步首先应该先画下散点图，看是否有线性趋势，如果有线性趋势了，再使用线性回归。这个是前提，现在很多人都忽略这一点 直接使用的。
    至于判断线性方程 拟合的好坏，看R方和调整的R方就可以了，R方越接近1，说明拟合的效果越好。你这个里面 R方为0.618，调整的R方为0.570，说明这个自变量可以解释因变量57%左右的变异，不能说好，也不能说坏。看具体情况而定
   Anova(b)这个表格是检验 回归方程是否显著的，sig的值=0.007 小于0.05，说明回归模型有意义，可以使用。
  下面一个标准化回归系数 和非标准化回归系数 则是回归方程自变量的系数，非标准化的系数用来拟合方程使用，标准化的系数是剔除了不同自变量的不同计量单位影响的，用于比较多个自变量的影响大小

3. 用spss做了一元线性回归，但是不会分析不会看，求高手指教~

回归方程 GDO^ = 95617.398 + 1.980 社会消费品零售总额
假设检验
对回归方程的方差分析结果：F= 32.735，P=0.000 (或P <0.0005)，P<0.05，可认为方程成立。
对回归系数(b=1.980)的T检验结果：T=5.721，P=0.000 (或P <0.0005)，P<0.05，可认为方程成立。
对常数项(a=95617.398)的T检验结果：T=4.836，P=0.001，P<0.05，可认为方程不过原点。。

4. 请教SPSS进行一元线性回归分析的一般步骤

一个自变量
一个因变量

如果要进行线性回归，无论是一元还是多元，第一步首先应该先画下散点图，看是否有线性趋势，如果有线性趋势了，再使用线性回归。这个是前提，现在很多人都忽略这一点
直接使用的。

至于判断线性方程
拟合的好坏，看R方和调整的R方就可以了，R方越接近1，说明拟合的效果越好。你这个里面
R方为0.618，调整的R方为0.570，说明这个自变量可以解释因变量57%左右的变异，不能说好，也不能说坏。看具体情况而定

Anova(b)这个表格是检验
回归方程是否显著的，sig的值=0.007
小于0.05，说明回归模型有意义，可以使用。

下面一个标准化回归系数
和非标准化回归系数
则是回归方程自变量的系数，非标准化的系数用来拟合方程使用，标准化的系数是剔除了不同自变量的不同计量单位影响的，用于比较多个自变量的影响大小

5. SPSS多元线性回归结果怎么判断是有效的

判断有效性是看p值。就是你的只有三行的那个表，依次写着回归，残差什么的。你看那个回归里边的p值。小于0.05就是模型有效，操作如下：
1、首先打开需要处理的相关文档。

2、点击主菜单上的“分析”选项。

3、之后再点击“回归”选项中的“线性回归”。

4、选择想要分析的自变量和因变量到相应的框中，点击中间的箭头按钮添加进去即可。

5、选择好需要分析的变量以后，在右边有相应的统计量和选项，点中自己需要分析的条件，点击继续即可。

6、确定好所有的因素之后，确定就可以在输出框中显示最终的分析结果了。

6. SPSS进行一元线性回归分析的一般步骤是什么？

一个自变量 一个因变量 
    如果要进行线性回归，无论是一元还是多元，第一步首先应该先画下散点图，看是否有线性趋势，如果有线性趋势了，再使用线性回归。这个是前提，现在很多人都忽略这一点 直接使用的。
    至于判断线性方程 拟合的好坏，看R方和调整的R方就可以了，R方越接近1，说明拟合的效果越好。你这个里面 R方为0.618，调整的R方为0.570，说明这个自变量可以解释因变量57%左右的变异，不能说好，也不能说坏。看具体情况而定
   Anova(b)这个表格是检验 回归方程是否显著的，sig的值=0.007 小于0.05，说明回归模型有意义，可以使用。
  下面一个标准化回归系数 和非标准化回归系数 则是回归方程自变量的系数，非标准化的系数用来拟合方程使用，标准化的系数是剔除了不同自变量的不同计量单位影响的，用于比较多个自变量的影响大小

7. SPSS多元线性回归输出结果的详细解释

SPSS多元线性回归输出结果的详细解释
先说一句题外话，如果当年在大学里数理统计等课程结合SPSS，SAS，R等软件来讲，应该效果会好很多。
最近做了一些用SPSS进行线性回归的实验，还是感觉很多细节把握不好，这里结合我的实验结果，以及网上别人的介绍总结一下，先贴几张SPSS的输出：
下面简单解释一下这三张图中的结果：
第一个表模型汇总表中，R表示拟合优度（goodness of fit），它是用来衡量估计的模型对观测值的拟合程度。它的值越接近1说明模型越好。调整的R平方比调整前R平方更准确一些，图中的最终调整R方为0.550，表示自变量一共可以解释因变量55%的变化（variance），另外，由于使用的是StepWise Linear Regression (SWLR)，分析——回归——线性——“方法”选择“逐步”，所以模型1、2、3的R方逐渐增大，标准误差逐渐减小。
（据网友的介绍：一般认为，拟合优度达到0.1为小效应（R方0.01），0.3为中等R方0.09），0.5为大（R方0.25），这是针对自然科学的一般界限。）
第二个表Anova表示方差分析结果，主要看F和sig值两个，F值为方差分析的结果，是一个对整个回归方程的总体检验，指的是整个回归方程有没有使用价值（与随机瞎猜相比），其F值对应的Sig值小于0.05就可以认为回归方程是有用的。另外，从F值的角度来讲：F的值是回归方程的显著性检验，表示的是模型中被解释变量与所有解释变量之间的线性关系在总体上是否显著做出推断。若F>Fa(k,n-k-1)，则拒绝原假设，即认为列入模型的各个解释变量联合起来对被解释变量有显著影响，反之，则无显著影响。
这里简单对Fa(k,n-k-1)进行一下解释，k为自变量个数，n为样本容量，n-k-1为自由度。对于我的实验中的情况来讲，k=3，样本容量为146，所以查表的时候应该差Fa(3,142)，一般数理统计课本中都有F分布表，a表示的显著性水平（一般取0.05），但我们手头不一定会有课本，就需要借助于excel来查F表，打开excel，在公式区输入：=FINV(0.05,3,142)，在单元格中即出现2.668336761，表中的F值显著大于这个值，则认为各个解释变量对因变量有显著影响。
需要注意的是，方差分析是对多个自变量的总体检验，而不是单个自变量（单个自变量在系数表中，为单样本T检验），这就是第三个表回归系数表中的内容。
系数表格列出了自变量的显著性检验结果（使用单样本T检验），最后一列为T检验的sig，表中均小于0.05，说明自变量对因变量具有显著影响，B表示各个自变量在回归方程中的系数，负值表示IPGF这个自变量对因变量有显著的负向影响，但是由于每个自变量的量纲和取值范围不同，基于B并不能反映各个自变量对因变量影响程度的大小，这时候我们就要借助标准系数。目前表格中的“试用版”实际上是Beta的意思，此时数值越大表示对自变量的影响更大。
从这个分析过程来看，这个实验结果还挺理想的。

8. spss 一元回归分析结果解读

R是自变量与因变量的相关系数，从r=0.378来看，相关性并不密切，是否相关性显著由于缺乏sig值无法判断。
R
square就是回归分析的决定系数，说明自变量和因变量形成的散点与回归曲线的接近程度，数值介于0和1之间，这个数值越大说明回归的越好，也就是散点越集中于回归线上。从你的结果来看，R2
=
0.058，说明回归的不好。
Sig值是回归关系的显著性系数，当他<=
0.05的时候，说明回归关系具有统计学支持。如果它>
0.05，说明二者之间用当前模型进行回归没有统计学支持，应该换一个模型来进行回归。
其它的？不懂，我也不看他们。
总之，你的回归不好，建议换一个模型。