1樓：影之憂傷
model summary 是對模型擬合效果的總結，r是相關係數，r2是決定係數，係數越大表面擬合效果越好。
anova是方差分析，然後f檢驗
coefficients就是迴歸結果，得到的迴歸方程的係數
spss迴歸分析結果怎麼得出迴歸結果
2樓：匿名使用者
首先要f檢驗，如果f值右上角有*號，說明迴歸分析通過f檢驗，即說明這個迴歸分析有意義可以做。然後通常需要看以下幾個指標：
r2代表迴歸方程模型擬合的好壞。同時vif值代表多重共線性，所有的vif值均需要小於10，相對嚴格的標準是小於5。
接著分析具體x對y的影響關係，在說明已經有影響關係的前提下，具體是正向或是負向影響關係，則是通過「非標準化係數」或者「標準化係數」進行判斷。
3樓：匿名使用者
如何報告迴歸分析的結果
迴歸分析的結果可以分為以下幾部分：1）迴歸模型；2）迴歸係數；3）因變數和自變數的特徵；4）自變數之間的關係。其中，1和2是必須詳細報告的基本資訊；而3和4則可以根據具體情況而詳略各異的輔助資訊。
以下分別討論之。
如何描述迴歸模型和迴歸係數
先簡單講一下一元迴歸。一元迴歸，即只涉及一個自變數（如x）。這種模型在社會科學中既很少見（一個常見的例外是時間序列分析中以時間為自變數分析因變數的長期趨勢），也很容易報告。
一般不需用**，只須寫一句話（如「自變數x的b = ?，std = ?, beta = ?
」）或給一個公式（如「y = ? + ?b, where std = ?
, beta = ?」）就足夠了。如果一項研究中有多個一元迴歸分析，那麼就應該也可以用一個**來報告（參加？
），以便於讀者對各模型之間作比較。
接下來專門講多元迴歸。由於其涉及諸多引數，有的必須報告、有的酌情而定、有完全不必，為了便於說明，我按spss迴歸分析的輸出結果（其它統計軟體大同小異），做了一個如何報告迴歸模型和迴歸係數的一覽表（表一）。如表所示，我將各種引數分成「必須報告」、「建議報告」、「一般不必」和「完全不必」四類。
我的分類標準來自於公認的假設檢驗所涉及的四個方面，即變數之間關係的顯著性、強度、方向和形式（詳見「解釋變數關係時必須考慮的四個問題」一文）。也就是說，每個引數的取捨，應該而且可以由其是否提供了不重複的顯著性（即sig）、強度（b或beta的值）、方向（b或beta的符號）和形式（自變數的轉換）資訊而定的。
表一、如何報告迴歸模型和迴歸係數之一覽表
註釋 spss結果出處 是否報告 如何報告
迴歸模型部分
r 因變數與所有自變數的複合相關係數 model summary表 完全不必
r square r的平方值 model summary表 一般不必
adjusted r square r平方的修正值 model summary表 必須報告 見表二
std error of the estimate 因變數**值的標準誤差(注1) model summary表 建議報告 見表二
sum of squares 總離差 anova表 完全不必
df 自由度 anova表 完全不必
mean square 平均離差 anova表 完全不必
f 模型f值 anova表 一般不必
sig. f值的顯著水平 anova表 必須報告 見表二
n 模型的個案數(注2) anova表 必須報告 見表二
迴歸係數部分
unstandardized coefficients (b) 非標準化係數 coefficients表 必須報告 見表二
unstandardized coefficients (std. error) b的標準誤差 coefficients表 必須報告 見表二
standardized coefficients (beta) 標準化係數 coefficients表 必須報告 見表二
t = b / std. error coefficients表
sig. t值的顯著水平 coefficients表 必須報告 見表二
95% confidence interval for b (lower bound) b的置信區間（下限） coefficients表(注3) 建議報告 見表二
95% confidence interval for b (upper bound) b的置信區間（上限） coefficients表(注3) 建議報告 見表二
注1：因變數**值的標準誤差描述了該模型的精確度(precision)，如表二中的因變數是當前年薪，其**誤差為？，即如果用該模型（包括起薪、工齡和性別三個自變數）去**條件相同的企業中的員工年薪，則可以知道？。
這種資訊無法從模型的其它引數（如r平方或其修正值、顯著水平、各自變數的b或beta）中得知。
注2：如果因變數和所有自變數都沒有預設值，那麼模型的個案數就等於樣本數。但變數常有預設值，這時模型的個案數就會小於樣本數、有時兩者相差很大（當然是個嚴重問題），所以一定要報告前者。
spss並不直接顯示該資訊，但很容易計算，等於 anova表中的total df + 1就是了。regressionstatistics
注3：b的置信區間，是用來檢驗b的顯著水平的另一工具（如果上、下限之間包含了0，說明b在95%的水平上不顯著），以彌補t檢驗及其sig值的不足。這是一個經典又有複雜的問題，叫做null hypothesis significance test (nhst)，本文不做詳談。
有興趣的讀者可以參見有關網頁（r. c. fraley; d.
j. denis）。spss不直接給出b的置信區間，需要在「statistics」一項中要求新增。
如右圖所示，spss迴歸分析的輸出結果中，內定只顯示「estimates" 和"model fit"兩項（即會產生表一中除了置信區間之外的其它各項引數）。建議加選「confidence intervals」。
現在用一個例項來演示如何報告迴歸分析結果。為了便於大家重複這個例項，我使用的資料是spss自帶的world95.sav。
這是聯合國教科文組織（或世界銀行之類機構）發表的2023年全球109個國家或地區的「國情」資料，其中含有人口、地理、經濟、社會、文化等26個指標。我以其中的birth_rt（每1000人的出生率）為因變數，gpd_car（人均國內生成總值）、urban（城市化，即人口中城市人口比例）、literacy（識字率、即人口中能閱讀者比例）和calories（每天卡路里攝入量）等四項為自變數。按表一的原則，我將該回歸分析的結果報告在表二中：
[**]如何報告迴歸分析的結果
限於篇幅和本文目的，我不對錶二的各引數作解讀。但想對錶中的有關格式做些補充說明。
如何描述變數（包括因變數和自變數）：我先給出每個變數的理論概念名（如必要，可以用英文）、然後在括號中註明其對應的spss變數名（這並非必須、而是為了便於大家對照手頭的spss資料）和操作定義（很有必要、強烈推薦，從中讀者可以看到變數是否做過轉換、從而得知有關關係的形式、即線性還是非線性）。為何要如何詳細地描述變數？
apa手冊對如何製作各種定量分析結果的**或圖形有一條「獨立資訊」的基本原則，即每個圖表要包含基本資訊、以致讀者不需參照正文而能夠獨立讀懂該圖表。因此，簡單地將spss輸出結果黏貼過來，雖是最常見的做法、但是很壞的習慣。
是否需要報告常數（constant）：一定要。常數對解讀迴歸模型的實際社會意義，有十分重要的作用。
如本表中的常數 = 65.444，意即全球（74個國家或地區）的平均出生率（即在控制了四項自變數的影響之後）為千分之65.4，等等。
有一點須注意的是在spss的輸出結果中，常數是放在第一行的。應該搬到其它自變數之後。
報告哪個迴歸係數（即標準化還是非標準化係數）：這是最常見問題。以前曾有過「**派」和「解釋派」之爭，前者主張只要報告b就夠了、而後者則認為只要報告beta就行了。
其實兩者反映的是不同的資訊，b不受因變數變異程度（variability）的影響、所以同一自變數在各回歸模型中的b是可以比較的（很多理論假設需要檢驗的就是這一問題）；而beta受因變數變異程度的影響而無法跨越本模型、但是卻因其標準化而可以與同一模型中的其它beta相比（也有很多理論假設希望解決的是這個問題）。因此，apa手冊建議同時報告兩者（英文第五版pp. 160-161）。
小數點之後取幾位：apa手冊認為，一般的定量分析結果只須保留兩位小數足夠。對迴歸結果來說，beta、r2值、顯著水平等標準化引數（即其取值均在0與1之間）取兩位小數最合適。
b及其相關指標（標準誤差、置信區間）是非標準化的（即取值可以是任意大或任意小），所以要酌情而定，根據變數的量表（scale，即取值範圍）大小而多取、少取甚至不取小數點。一般而言，當自變數的量表大於因變數時，其b會取小值、所以需要多取一至數位小數；相反，自變數的量表小於因變數時，其b會取大值、所以可以少取甚至不取小數。在本例中，gdp和卡路里的量表都遠大於出生率，所以它們的b值看上去很小（但不一定意味著影響小）。
因此，我就沒有機械地只取兩位小數。大家如果仔細看一下表二，就會發現我的「酌情」規則是「最後一位0之後取兩位」，如-0.00042、0.
033、-0.034、-0.0041，這與apa手冊的「取兩位小數」原則的基本精神是一致的。
我們日常見到的問題，主要是保留過多的小數點，往往是是直接黏貼spss的結果（其內定是6位小數）而不加編輯而造成。
**內是否有橫豎分割線：按apa的規定，除了**頂部、底部和列標題底部有三條橫線外，其餘一概不用。很多人簡單照搬word**的內定線條，不做任何修飾。
審稿專家一看就知是「菜鳥」或懶漢所為。
p是什麼東東？就是spss輸出中的sig。p是所有統計學教科書中通用的符號，sig則只是spss的專用。前者更廣為認知。
表三與表二的主要區別在於表二是橫向的（每列為同一類引數）、而表三是縱向（每列為同一模型）。表二中橫排的六類引數改成豎立的四行（其中的p值被星號代替、置信區間的上下限合在一行），以便讀者做橫向比較（這是所有定量分析結果的**製作的一個基本原則）。如果是英文報告，去掉中文後，表三會變得簡潔明瞭很多。
如何報告變數特徵和自變數關係
變數的操作定義（問卷原文）
取值範圍（如0-100、0-1、0或1、1-5、1-7等等；好雪問的，如果資料做過對數、平方、開方、倒數等轉換，就應該而且最適合在這裡報告）
描述性統計值（均值、標準差、偏度skewness、峰度kurtosis等）
------------------------
關於spss迴歸結果分析
寫**的這個迴歸結果怎麼說明
解答：一看判定係數r方,本例中,r方=0.202,擬合優度很差.一般要在0.6以上為好.至少也在0.4以上.
二看係數估計量的sig值,其中,獨董規模的sig=0.007,小於0.05,說明該變數對因變數有顯著的影響.而總經理持股量則不顯著.因為sig值大於0.05.
之所以,模型不好,是因為你忽略了重要的影響因素.
但如果你只關注這兩個自變數對因變數的影響,那麼,結論已經出來了.目的達到了,所以,也說得過去.
統計人劉得意
追答：可以的，若作自變數，就是虛擬變數模型。 只要有一個sig小於0.05，模型就可以說是有效的。
追問：像董事長是否兼任總經理，是則為1，否則為0，這樣的資料能進行迴歸分析嗎？從哪個值能看出這個模型是有效的？ps. r方好像是0.041吧？
追答：一般來說是這樣的。線性相關時，才能做線性迴歸模型。
在用SPSS做線性迴歸分析，結果如圖，R方很低，但是顯著
你可以嘗試著先繪製下散點圖看看 會不會用其他曲線擬合的效果會更好，很多時候資料用線性和一些非線性擬合後都會有顯著效果，但是不一定是最佳的，所以需要判斷自變數和因變數之間關係是否符合線性。如果仍然是符合線性趨勢，但是你只有這麼一個自變數的話，那就沒有辦法優化了，如果還有其他自變數，可以嘗試著引入之後 ...
這是用SPSS做多元線性迴歸的結果，請求高手幫忙做下解釋，論
第一個圖顯抄示你是用進入法做的迴歸分析，全部因變數都進入方程。第二個圖只需要看你的r的平方，你的圖中顯示r方才0.146，對變異的解釋只有14.6 太低了。第三個圖是方差分析，sig顯著性為0.034，表示因變數和自變數完全無線性關係的概率很低。第四個圖是迴歸係數及其顯著性分析。standardiz...
spss線性迴歸怎麼規定係數範圍
1 在spss裡把 baia b c d四個變 du量對應的資料錄入好。zhi dao 2 點analyze regession linear，在彈出框裡，把專變數d選定在dependent裡，其他屬3個因子選到independent裡。method裡就用預設的enter。如果不需要看其他統計或驗證...