對數據進行簡單線性回歸分析常按照以下步驟：

1根據研究目的確定因變量和自變量

現研究某服裝店銷售額和客流量的關系，銷售額為因變量，客流量為自變量，共計36條數據。

2 判斷有無異常值

判斷方法：⑴通過繪制散點圖直觀觀察；⑵亦可通過線性回歸的【統計】→【個案診斷】→【所有個案】進行分析，若標準殘差超過[-3,3]，則可視為異常值。

Step1【分析】→【回歸】→【線性】

Step2【統計】→【個案診斷】→【所有個案】

結果展示

結果：所有個案的標準殘差均在[-3,3]之間，無異常值。

3 判斷數據是否滿足簡單線性回歸假設條件

⑴線性(linear) 因變量與自變量呈線性關系，通過繪制散點圖判斷；

Step1【圖形】→【舊對話框】→【散點/點狀】→【簡單分布】→【定義】

Step2將銷售額放入Y軸，將客流量放入X軸→【確定】

結果展示

結果：銷售額與客流量呈線性關系。

⑵獨立性(independent) 任意兩個觀察值之間相互獨立，通過線性回歸的【統計】→【德賓-沃森】進行分析，一般來說Durbin-Waston檢驗值分布在0-4之間，越接近2，觀察值相互獨立的可能性越大。

Step1【分析】→【回歸】→【線性】

Step2【統計】→【德賓-沃森】

結果展示

⑶正態性(normal) 隨機誤差近似正態性，可通過直方圖或者P-P圖判斷殘差是否符合正態分布；

Step1【分析】→【回歸】→【線性】

Step2【繪圖】→【直方圖】、【正態概率圖】

結果展示

結果近似正態性

⑷方差齊性(equal variance) 殘差滿足方差齊性

Step1【分析】→【回歸】→【線性】

Step2【繪圖】→將ZRESID(標準化殘差)選入Y軸，將ZPRED(標準化預測值)選入X軸→勾選“產生所有部分圖”，即可得到殘差隨著估計值的變化趨勢，若所有點均勻分布于直線Y=0的兩側，則可認為方差齊性。

結果展示

結果：方差齊性

4 估計回歸模型參數，建立模型

Step1【分析】→【回歸】→【線性】

Step2 選擇因變量和自變量，【統計】選項卡中“回歸系數”選擇“估計”，選擇“模型擬合度”，單擊“繼續”，單擊“確定”。

結果展示

回歸模型：Y=27.339X+398.269

該表格展示了自變量對因變量的解釋程度，即模型擬合程度，可用R^2(決定系數)來衡量。決定系數取值在0-1之間，R^2越大模型擬合程度越高。本案例中R^2=0.693，即客流量對銷售額的解釋程度為69.3%，解釋程度較高。

5 對模型進行假設檢驗

對回歸模型進行假設檢驗一般使用方差分析法，對回歸系數進行假設檢驗一般使用t檢驗方法。

方差分析結果:F=76.681，p<0.05，說明模型Y=27.339X+398.269具有統計學意義。

t檢驗結果：回歸系數和常數項的p值均小于0.05，具有統計學意義。

---

搜索關注微信公眾號：spss2333

后臺回復“20180531”可以獲得操作數據

多多練習吧~

總結

以上是生活随笔為你收集整理的spss非线性回归分析步骤_SPSS与简单线性回归分析的全部內容，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。