很多人提到SPSS输出的回归分析的结果不是很好理解，现在就来介绍回归分析各个指标含义
工具/原料
原始数据
在线spssspssau
回归分析
1、线性回归分析是一种研究X对于Y的影响关系的分析方法。问卷研究中最为常见，多数情况下可以使用线性回归分析进行假设验证。
操作步骤
1、使用SPSSAU在线分析：首先找到回归分析
2、把想要分析的题项拖拽到指定的选框中，点击即可生成数据。（有不会的问题可以点击右侧的“灯泡”查看帮助手册）
3、得到结果，以及智能文字分析
结果解读
1、回归分析结果指标解读：这里主要蔡龇呶挞关注P值，小于0.05时有意义。B值即回归系数值，大于0说明正向影响，小于0说明负向回归。
2、分析步骤： 首先分析模型拟合情况，即通过R平傲艟茏慕方值分析模型拟合情况，以及可对VIF值进行分析，判断模型是否存在共线性问题【共线性问题可使用岭回归或者粽婿邸随逐步回归进行解决】； 写出模型公式(可选)； 分析X的显著性；如果呈现出显著性(P值小于0.05或0.01)；则说明X对Y有影响关系，接着具体分析影响关系方向； 结合回归系数B值，对比分析X对Y的影响程度(可选)； 对分析进行总结。
3、进一步模型分析：多重疤噜呶买共线性：可查看VIF值，如果全部小于10（严格是5），则说明模型没有多重共线性问题，模型构建良好；反之若VI僻棍募暖F大于10说明模型构建较差。如果呈现出共性问题，可使用逐步回归分析。自相关性：如果D-W值在2附近（1.7~2.3之间），则说明没有自相关性，模型构建良好，反之若D-W值明显偏离2，则说明具有自相关性，模型构建较差。自相关问题产生时建议对因变量Y数据进行查看。残差正态性：在分析时可保存残差项，然后使用“正态图”直观检测残差正态性情况，如果残差直观上满足正态性，说明模型构建较好，反之说明模型构建较差。如果残差正态性非常糟糕，建议重新构建模型，比如对Y取对数后再次构建模型等。异方差性：可将保存的残差项，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，比如自变量X值越大，残差项越大/越小，这时此说明有规律性，模型具有异方差性，模型构建较差。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。