线性回归时候，相关系墙绅褡孛数只是表明了各个系数之间的相关程度。但是自变量对因变量不显著的话，可能存寄噢剪飕在多重共线性、数据存在异常值、异方差的问题。
自变量存在共线性问题
在进行线性回归分析时，很容易出现自变量共线性问题，通常情况下VIF值大于10说明严重共线，VIF大于5则说明有共线性问题。当出现共线性问题时，可能导致回归系数的符号与实际情况完全相反，本应该显著的自变量不显著，本不显著的自变量却呈现出显著性。
解决方法：手动移除出共线性的自变量，先做下相关分析，如果发现某两个自变量X（解释变量）的相关系数值大于0.7，则移除掉一个自变量（解释变量），然后再做回归分析。逐步回归法，让软件自动进行自变量的选择剔除，逐步回归会将共线性的自变量自动剔除出去。
数据存在异常值，如果数据中存在极端异常值，会导致数据偏移对分析结果产生严重影响。如果回归分析出现各类异常，可通过比如描述分析、箱线图、散点图等方法，找出并处理掉异常值后再做分析。
解决方法：查看数据中是否有异常值，可通过箱线图、散点图查看，剔除异常值可通过SPSSAU“异常值”功能进行剔除。
异方差，如果模型存在明显的异方差性，会影响回归系数的显著情况，得到的回归模型是低效并且不稳定的。
解决方法：保存残差项，将残差项分别与模型的自变量X或者因变量Y，作散点图，查看散点是否有明显的规律性。如果有明显的异方差性，建议重新构建模型，比如对Y取对数后再次构建模型等。
如果排除了这些原因还是不显著，那么基本说明该变量对被解释变量无显著影响。
扩展资料
在做实证就是做回归等等方法的时候，一般就看中三点，一是相关系数，看因变量和自变量是否相关。二是拟合优度（R平方），看回归方程拟合的好不好，一般0.8以上就算拟合的比较好了。
三是自变量的系数对于因变量是否显著啦，P值小于0.05就说明自变量对于因变量是显著的。如果自变量的P值都比0.05大，那就说明自变量对于因变量是不显著的，这个自变量就没什么意义，所以如果变量比较多的情况下，还是做一下逐步回归。
如果变量比较少，做逐步回归就会导致最后有可能只剩下一个变量。逐步回归就是一个模型优化的过程，更加能解释自变量和因变量之间的关系，一般回归之后效果不好都要逐步回归来优化线性模型的。