現(xiàn)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(lái)說(shuō)說(shuō) SPSS 存在的原因吧。

SPSS 是一個(gè)很強(qiáng)大的軟件，不用編程，不用調(diào)參，點(diǎn)巴兩下就出結(jié)果了，而且出來(lái)的大多是你想要的。這樣的特點(diǎn)特別適合建模初期進(jìn)行算法的選擇。比如

SPSS 做因子分析，輸出結(jié)果中有一項(xiàng)?Kaiser-Meyer-Olkin Measure of Sampling Adequacy. 它的值是在 [ 0, 1] 范圍內(nèi)，這個(gè)值大于 0.5 就證明原數(shù)據(jù)中的指標(biāo)適合使用因子分析算法進(jìn)行建模，小于 0.5?要不重新計(jì)算指標(biāo)，要不換算法。

SPSS 做多元線性回歸，輸出結(jié)果中的擬合度過(guò)低，說(shuō)明指標(biāo)與結(jié)果之間的相關(guān)性并不明顯，要不重新計(jì)算指標(biāo)，要不換算法。

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

下面詳細(xì)講講?SPSS做多元線性回歸的步驟吧

準(zhǔn)備工作：SPSS - 中文版 SPSS 22.0 軟件下載與安裝教程 - 【附產(chǎn)品授權(quán)許可碼，永久免費(fèi)】

第一步：導(dǎo)入數(shù)據(jù)

路徑：【文件】--【打開】--【數(shù)據(jù)】--【更改文件類型，找到你的數(shù)據(jù)】--【打開】--【然后會(huì)蹦出下圖左中的篩選框，基本使用默認(rèn)值就行，點(diǎn)確定】

第一行代表的是用第一行的數(shù)據(jù)做列名；

第二行代表文件中數(shù)據(jù)所在的范圍，默認(rèn)是所有數(shù)據(jù)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(gè)默認(rèn)值就可以，不用改；

導(dǎo)入數(shù)據(jù)之后就是下圖右中的樣子，老習(xí)慣，我們來(lái)說(shuō)說(shuō)原數(shù)據(jù)，第一列是撥打電話指數(shù)，第二列是接通電話指數(shù)，這兩個(gè)是自變量，第三類是因變量回款指數(shù)。為了脫敏，所以用自己的辦法換算成現(xiàn)在這樣的數(shù)值。

? ? ? ? ? ? ? ? ?

第二步：數(shù)據(jù)分析

【分析】--【回歸】--【線性】--【通過(guò)截圖中的方式，將因變量與自變量添加到對(duì)應(yīng)的地方】--【其他都使用默認(rèn)值】--【確定】

? ? ? ??

第三步：輸出結(jié)果分析?

第一項(xiàng)輸出結(jié)果：輸入／移去的變量

輸入變量是兩個(gè)自變量Connect, Call，沒有移去任何變量。

第二項(xiàng)輸出結(jié)果：模型匯總

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

R方表示決定系數(shù)，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(diào)整R方是考慮自變量之間的相互影響之后，對(duì)決定系數(shù)R方的校正，比R方更加嚴(yán)謹(jǐn)，越接近 1 越好；

標(biāo)準(zhǔn)估計(jì)的誤差是誤差項(xiàng)?ε 的方差?σ2的一個(gè)估計(jì)值，越小越好；

一般認(rèn)為，

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

第三項(xiàng)輸出結(jié)果：Anova

Anova表示方差分析結(jié)果，主要看 F 和 Sig 值，為方差分析的結(jié)果，F檢驗(yàn)的重點(diǎn)在 Sig 值，具體大小不重要，其 F 值對(duì)應(yīng)的 Sig 值小于 0.05 就可以認(rèn)為回歸方程是有用的。

第四項(xiàng)輸出結(jié)果：系數(shù)

系數(shù)表列出了自變量的顯著性檢驗(yàn)結(jié)果，

非標(biāo)準(zhǔn)化系數(shù)中的 B 表示自變量的系數(shù)與常數(shù)項(xiàng)（下圖代表的回歸方式為：Return = 0.097 * Call + 1.243 * Connect - 0.160）；

標(biāo)準(zhǔn)系數(shù)給出的自變量系數(shù)與非標(biāo)準(zhǔn)化系數(shù)中的明顯不同，這是因?yàn)榭紤]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(gè)自變量是年齡（0~120），第二個(gè)自變量是收入（0~10萬(wàn)），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(jìn)行標(biāo)準(zhǔn)化），因此這里的系數(shù)更能代表每個(gè)自變量對(duì)因變量的影響程度，（下圖代表的回歸方式為：Return = 0.126 * Call_標(biāo)準(zhǔn)化的值?+ 0.739?* Connect_標(biāo)準(zhǔn)化的值）；

t 值 與?Sig 值 是自變量的顯著性檢驗(yàn)結(jié)果，其 t 值對(duì)應(yīng)的 Sig 值小于 0.05 代表自變量對(duì)因變量具有顯著影響，下圖中，自變量 Connect 對(duì) 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(jié)果，說(shuō)明 Call、 Connect 與 Return?的擬合效果還挺理想的。?

與Python的結(jié)果對(duì)比

同樣的數(shù)據(jù)，我們看看Python中的多元線性回歸結(jié)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(xué)習(xí)一下這個(gè)過(guò)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(chǎn)品授權(quán)許可碼，永久免費(fèi)】

2.機(jī)器學(xué)習(xí) - 多元線性回歸 - 一步一步詳解 - Python代碼實(shí)現(xiàn)

本例中用的數(shù)據(jù)與機(jī)器學(xué)習(xí) - 多元線性回歸 - 一步一步詳解 - Python代碼實(shí)現(xiàn)中的數(shù)據(jù)是同一份，便于對(duì)比。

總結(jié)

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?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。