現在用 Python 寫線性回歸的博客都快爛大街了，為什么還要用 SPSS 做線性回歸呢？這就來說說 SPSS 存在的原因吧。

SPSS 是一個很強大的軟件，不用編程，不用調參，點巴兩下就出結果了，而且出來的大多是你想要的。這樣的特點特別適合建模初期進行算法的選擇。比如

SPSS 做因子分析，輸出結果中有一項?Kaiser-Meyer-Olkin Measure of Sampling Adequacy. 它的值是在 [ 0, 1] 范圍內，這個值大于 0.5 就證明原數據中的指標適合使用因子分析算法進行建模，小于 0.5?要不重新計算指標，要不換算法。

SPSS 做多元線性回歸，輸出結果中的擬合度過低，說明指標與結果之間的相關性并不明顯，要不重新計算指標，要不換算法。

..................

下面詳細講講?SPSS做多元線性回歸的步驟吧

準備工作：SPSS - 中文版 SPSS 22.0 軟件下載與安裝教程 - 【附產品授權許可碼，永久免費】

第一步：導入數據

路徑：【文件】--【打開】--【數據】--【更改文件類型，找到你的數據】--【打開】--【然后會蹦出下圖左中的篩選框，基本使用默認值就行，點確定】

第一行代表的是用第一行的數據做列名；

第二行代表文件中數據所在的范圍，默認是所有數據都選上，但是如果你只需要選擇前 n 行，那就把里面的110改了就行；

第三行代表字符串寬度，這個默認值就可以，不用改；

導入數據之后就是下圖右中的樣子，老習慣，我們來說說原數據，第一列是撥打電話指數，第二列是接通電話指數，這兩個是自變量，第三類是因變量回款指數。為了脫敏，所以用自己的辦法換算成現在這樣的數值。

? ? ? ? ? ? ? ? ?

第二步：數據分析

【分析】--【回歸】--【線性】--【通過截圖中的方式，將因變量與自變量添加到對應的地方】--【其他都使用默認值】--【確定】

? ? ? ??

第三步：輸出結果分析?

第一項輸出結果：輸入／移去的變量

輸入變量是兩個自變量Connect, Call，沒有移去任何變量。

第二項輸出結果：模型匯總

R表示擬合優度（goodness of fit），用來衡量模型的擬合程度，越接近 1 越好；

R方表示決定系數，用于反映模型能夠解釋的方差占因變量方差的百分比，越接近 1 越好；

調整R方是考慮自變量之間的相互影響之后，對決定系數R方的校正，比R方更加嚴謹，越接近 1 越好；

標準估計的誤差是誤差項?ε 的方差?σ2的一個估計值，越小越好；

一般認為，

• 小效應：R （0.1~0.3），對應 R方（0.01~0.09）;
• 中等效應：R （0.3~0.5），對應 R方（0.09~0.25）;
• 大效應：R （0.5~1），對應 R方（0.25~1）;

第三項輸出結果：Anova

Anova表示方差分析結果，主要看 F 和 Sig 值，為方差分析的結果，F檢驗的重點在 Sig 值，具體大小不重要，其 F 值對應的 Sig 值小于 0.05 就可以認為回歸方程是有用的。

第四項輸出結果：系數

系數表列出了自變量的顯著性檢驗結果，

非標準化系數中的 B 表示自變量的系數與常數項（下圖代表的回歸方式為：Return = 0.097 * Call + 1.243 * Connect - 0.160）；

標準系數給出的自變量系數與非標準化系數中的明顯不同，這是因為考慮到不同自變量之間的量綱和取值范圍不同（比如在其他例子里面，第一個自變量是年齡（0~120），第二個自變量是收入（0~10萬），顯然年齡18歲與收入18塊錢代表的意義是不一樣的，因此需要進行標準化），因此這里的系數更能代表每個自變量對因變量的影響程度，（下圖代表的回歸方式為：Return = 0.126 * Call_標準化的值?+ 0.739?* Connect_標準化的值）；

t 值 與?Sig 值 是自變量的顯著性檢驗結果，其 t 值對應的 Sig 值小于 0.05 代表自變量對因變量具有顯著影響，下圖中，自變量 Connect 對 因變量具有顯著影響，而自變量?Call 的影響程度就弱了很多；

綜上所有的輸出結果，說明 Call、 Connect 與 Return?的擬合效果還挺理想的。?

與Python的結果對比

同樣的數據，我們看看Python中的多元線性回歸結果：

Python給出的回歸方程：?Y = -0.01 + 0.09 * Call + 1.19 * Connect；

?SPSS 給出的回歸方程：?Y = -0.16+ 0.09 * Call + 1.24 * Connect；

如果想要學習一下這個過程，你可能需要：

1.SPSS - 中文版 SPSS 22.0 軟件下載與安裝教程 - 【附產品授權許可碼，永久免費】

2.機器學習 - 多元線性回歸 - 一步一步詳解 - Python代碼實現

本例中用的數據與機器學習 - 多元線性回歸 - 一步一步詳解 - Python代碼實現中的數據是同一份，便于對比。

總結

以上是生活随笔為你收集整理的线性回归 - 多元线性回归案例 - 分析步骤、输出结果详解、与Python的结果对比 -（SPSS建模）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。