本文详细介绍了线性回归分析的流程，包括数据类型、变量筛选、正态性检验、散点图与相关分析、SPSSAU操作及模型后检验。强调了模型的假设条件，如因变量的正态性、残差独立性、残差正态性和方差齐性，并提供了异常值的处理方法。最后，讨论了如何通过SPSSAU进行线性回归分析和模型质量评估。
线性回归分析是一种研究影响关系的方法，在实际研究里非常常见。不管你有没有系统学习过，对于线性回归，相信多少都有那么一点了解。
即使如此，在实际分析时，还是会碰到很多小细节，让我们苦思冥想困扰很久，又影响效率。因此本文就一起梳理下回归分析的分析流程，闲话少说，我们开始吧。
线性回归
回归分析实质上就是研究一个或多个自变量X对一个因变量Y（定量数据)的影响关系情况。
当自变量为1个时，是一元线性回归，又称作简单线性回归；自变量为2个及以上时，称为多元线性回归。在SPSSAU里均可以使用【通用方法】→【线性回归】实现。
1. 数据类型
线性回归要求因变量Y（被解释变量）一定是定量数据。如果因变量Y为定类数据，可以用【进阶方法】中的【logit回归】。
2. 变量筛选
对于引入模型的自变量，通常没有个数要求。但从经验上看，不要一次性放入太多自变量。如果同时自变量太多，容易引起共线性问题。建议根据专业知识进行选择，同时样本量不能过少，通常要满足样本个数是自变量的20倍以上。
如果自变量为定类数据，需要对变量进行哑变量处理，可以在SPSSAU的【数据处理】→【生成变量】进行设置。具体设置步骤查看SPSSAU有关哑变量的文章：什么是虚拟变量？怎么设置才正确？
控制变量，可以是定量数据，
最低0.47元/天 解锁文章
扫一扫
732
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
