回归分析结果怎么看?
问题一：SPSS中回归分析结果解释，不懂怎么看 首先来说明各个符号，B也就是beta，代表回归系数，标准化的回归系数代表自变量也就是预测变量和因变量的相关，为什么要标准化，因为标准化的时候各个自变量以及因变量的单位才能统一，使结果更精确，减少因为单位不同而造成的误差。T值就是对回归系数的t检验的结果，绝对值越大，sig就越小，sig代表t检验的显著性，在统计学上，sig 问题二：请问SPSS的回归分析结果怎么看 前面的几个表是回归分析的结果，主要看系数0.516，表示自变量增加一个单位，因变量平均增加0.516个单位。后面的sig值小于0.05，说明系数和0的差别显著。还要看R2=0.641,说明自变量解释了因变量64.1%的变化。
最后一个图表明，残差服从正态分布。
希望对你有帮助，统计人刘得意
问题三：spss回归分析结果图，帮忙看一下，麻烦详细地解释解释 R平方就是拟合优度指标，代表了回归平方和（方差分析表中的0.244）占总平方和（方差分析表中的0.256）的比例，也称为决定系数。你的R平方值为0.951，表示X可以解释95.1%的Y值，拟合优度很高，尤其是在这么大的样本量（1017对数据点）下更是难得。
系数表格列出了自变量的显著性检验结果（使用单样本T检验）。截距项（0.000006109）的显著性为0.956（P值），表明不能拒绝截距为0的原假设；回归系数（X项）为0.908，其显著性为0.000（表明P值小于0.0005，而不是0。想看到具体的数值，可以双击该表格，再把鼠标定位于对应的格子），拒绝回归系数0.908（X项）为0的原假设，也就是回归系数不为0；标准化回归系数用于有多个自变量情况下的比较，标准化回归系数越大，该自变量的影响力越大。由于你的数据仅有一个自变量，因此不需要参考这项结果。
对于线性回归，我在百度还有其他的回答，你可以搜索进行补充。
问题四：请教spss回归分析结果解读 首先看 方差分析表 对应的sig 是否小于0.05，如果小于0.05，说明整体回归模型显著，再看下面的回归系数表，如果这里的sig大于0.05，就说明回归模型不显著，下面的就不用再看了。
其次，在回归模型显著的基础上，看调整的R方，是模型拟合度的好坏，越接近1，说明拟合效果越好。这个在一般做论文中，不需要管它的高低，因为论文重在研究方法和思路的严谨性，导师不会追究你的结果是对是错，你的数据本身就不一定有质量，所以无所谓，不必在意。
第三 看具体回归系数表中每个自变量 对应的sig值，如果sig小于0.05，说明该自变量对因变量有显著预测作用，反之没有作用。
问题五：怎么从eviews回归分析结果中看出有没有显著影响 10分 模型中解释变量的估计值为-0.466102，标准差是0.069349,标准差是衡量回归系数值的稳定性和可靠性的，越小越稳定，解释变量的估计值的T值是用于检验系数是否为零的，若值大于临界值则可靠。估计值的显著性概率值（prob)都小于5%水平，说明系数是显著的。R方是表示回归的拟合程度，越接近1说明拟合得越完美。调整的R方是随着变量的增加，对增加的变量进行的“惩罚”。D-W值是衡量回归残差是否序列自相关，如果严重偏离2，则认为存在序列相关问题。F统计值是衡量回归方程整体显著性的假设检验，越大越显著
问题六：SPSS回归分析结果该怎么解释，越详细越好 50分 首先看 方差分析表 对应的sig 是否小于0.05，如果小于0.05，说明整体回归模型显著，再看下面的回归系数表，如果这里的sig大于0.05，就说明回归模型不显著，下面的就不用再看了。
其次，在回归模型显著的基础上，看调整的R方，是模型拟合度的好坏，越接近1，说明拟合效果越好。这个在一般做论文中，不需要管它的高低，因为论文重在研究方法和思路的严谨性，导师不会追究你的结果是对是错，你的数据本身就不一定有质量，所以无所谓，不必在意。
第三 看具体回归系数表中每个自变量 对应的sig值，如果sig小于0.05，说明该自变量对因变量有显著预测作用，反之没有作用。
问题七：相关因素logistic回归分析结果怎么看 logistic回归与多重线性回归一样，在应用之前也是需要分析一下资料是否可以采用logistic回归模型。并不是说因变量是分类变量我就可以直接采用logistic回归，有些条件仍然是需要考虑的。
首要的条件应该是需要看一下自变量与因变量之间是什么样的一种关系。多重线性回归中，要求自变量与因变量符合线性关系。而logistic回归则不同，它要求的是自变量与logit（y）符合线性关系，所谓logit实际上就是ln（P/1-P）。也就是说，自变量应与ln（P/1-P）呈线性关系。当然，这种情形主要针对多分类变量和连续变量。对于二分类变量就无所谓了，因为两点永远是一条直线。
这里举一个例子。某因素y与自变量x之间关系分析，y为二分类变量，x为四分类变量。如果x的四分类直接表示为1，2，3，4。则分析结果为p=0.07，显示对y的影响在0.05水准时无统计学意义，而如果将x作为虚拟变量，以1为参照，产生x2，x3，x4三个变量，重新分析，则结果显示：x2，x3，x4的p值分别为0.08，0.05和0.03。也就是说，尽管2和1相比无统计学意义，但3和1相比，4和1相比，均有统计学意义。
为什么会产生如此结果？实际上如果仔细分析一下，就可以发现，因为x与logit（y）并不是呈线性关系。而是呈如下图的关系：
这就是导致上述差异的原因。从图中来看，x的4与1相差最大，其次是2，3与1相差最小。实际分析结果也是如此，上述分析中，x2，x3，x4产生的危险度分别为3.1，2.9，3.4。
因此，一开始x以1，2，3，4的形式直接与y进行分析，默认的是认为它们与logit（p）呈直线关系，而实际上并非如此，因此掩盖了部分信息，从而导致应有的差异没有被检验出来。而一旦转换为虚拟变量的形式，由于虚拟变量都是二分类的，我们不再需要考虑其与logit（p）的关系，因而显示出了更为精确的结果。
最后强调一下，如果你对自变量x与y的关系不清楚，在样本含量允许的条件下，最好转换为虚拟变量的形式，这样不至于出现太大的误差。
如果你不清楚应该如何探索他们的关系，也可以采用虚拟变量的形式，比如上述x，如果转换的虚拟变量x2，x3，x4他们的OR值呈直线关系，那x基本上可以直接以1，2，3，4的形式直接与y进行分析。而我们刚才也看到了，x2，x3，x4的危险度分别为3.1，2.9，3.4。并不呈直线关系，所以还是考虑以虚拟变量形式进行分析最好。
总之，虚拟变量在logistic回归分析中是非常有利的工具，善于利用可以帮助你探索出很多有用的信息。
统计的分析策略是一个探索的过程，只要留心，你就会发现在探索数据关系的过程中充满了乐趣，因为你能发现别人所发现不了的隐藏的信息。希望大家多学点统计分析策略，把统计作为一种艺术，在分析探索中找到乐趣。
样本量的估计可能是临床最头疼的一件事了，其实很多的临床研究事前是从来不考虑样本量的，至少我接触的临床研究大都如此。他们大都是想到就开始做，但是事后他们会寻求研究中样本量的依据，尤其是在投文章被审稿人提问之后。可能很少有人想到研究之前还要考虑一下样本够不够的问题。其实这也难怪，临床有临床的特点，很多情况下是很难符合统计学要求的，尤其一些动物试验，可能真的做不了很多。这种情况下确实是很为难的。
本篇文章仅是从统计学角度说明logistic回归所需的样本量的大致估计，不涉及临床特殊问题。
其实不仅logistic回归，所有的研究一般都需要对样本量事前有一个估计，这样做的目的是为了尽可能地得出阳性结果。比如，你事前没有......>>
绛旓細stata鍥炲綊鍒嗘瀽缁撴灉鍙互杩欐牱鐪嬶細1銆佺湅鍒癝ig.P鏁板硷紝濡傛灉鏁板煎皬浜0.05鍒欒鏄庢湁鏄捐憲褰卞搷銆2銆佹壘鍒癛 Square鏁板硷紝璇ヨ嚜鍙橀噺鑳藉瑙ｉ噴寮傚彉鏁扮殑鍙樺紓鍊硷紝濡傛樉绀0.763鍒欒〃绀轰袱鑰76.3%鐨勬鐜囩浉鍏宠仈銆3銆佹壘鍒扮嚎鎬у糄W锛屾煡DW鍒嗗竷琛紝鎵惧埌DW灞炰簬1.240~1.556涔嬮棿銆備緥濡侱W=1.589澶т簬1.556锛屽垯璇存槑涓嶅瓨鍦ㄧ浉鍏虫с傚洖...
绛旓細浣犵湅鍚庨潰璇樊鑼冨洿锛屽鏋滀腑闂存湁0锛屾瘮濡傦紝鍦紞1.5鍒2.0涔嬮棿锛岃繖鏄粰瀹氱殑鍦ㄤ竴瀹氭鐜囪寖鍥村唴鐨勭郴鏁板彲鑳藉彇鍊艰寖鍥淬備竴鑸綘涓嶅仛淇敼鐨勮瘽锛岃繖涓鐜囬粯璁ゆ槸95%銆備篃灏辨槸浣鍥炲綊缁撴灉鍓嶉潰鐨勭郴鏁版湁95%鐨勬鐜囪惤鍦ㄨ繖涔嬮棿銆傚鏋滀綘鐨勫洖褰掔粨鏋滄暟鍊煎湪杩欎釜鑼冨洿鍐呮瘮杈冩帴杩戜簬0锛岄偅涔堢粺璁′笂鍙兘鎺ㄦ柇姣斿鏈35.6%鐨勫彲鑳芥ф槸0锛...
绛旓細reg鍙彁渚鍥炲綊鍒嗘瀽锛屽湪鍑虹殑缁撴灉閲屾瘡涓彉閲忓悗闈㈤兘鏈塒鍊硷紝P=0浠ｈ〃鏄捐憲锛孭=0.01浠ヤ笅鏄1%鏄捐憲姘村钩鏄捐憲锛0.05鏄5%锛0.1鏄10%锛屽瑕佽T鍊煎彲浠test A涔嬬被鐨勩俽eg y x1 x2 xn test x1=x2=xn=0 鍏抽敭鐪嬩笁涓湴鏂癸紝涓涓槸鍒ゅ畾绯绘暟R鏂癸紝鏈浘涓紝涓0.9464锛屾嫙鍚堜紭搴﹀緢楂樸傜浜鐪嬪洖褰绯绘暟锛屾湰渚...
绛旓細鍦ㄢ滃伐璧勫奖鍝嶅洜绱犫濈殑璋冩煡闂嵎涓紝璋冩煡浜嗘瘡涓汉鐨勮捣濮嬪伐璧勩佸伐浣滅粡楠屻佸彈鏁欒偛骞撮檺銆佸彈闆囨湀鏁般佽亴浣嶇瓑绾т互鍙婂綋鍓嶅伐璧勫叚涓柟闈傜洰鐨勬槸寤虹珛浠ュ綋鍓嶅伐璧勪负鍥犲彉閲忕殑鍥炲綊妯″瀷锛屽苟寰楀嚭缁撹銆傛ā鍨缁撴灉 浠庝笂琛ㄥ彲鐭ワ紝灏嗚捣濮嬪伐璧,鍙楁暀鑲插勾闄,宸ヤ綔缁忛獙,鑱屼綅绛夌骇浣滀负鑷彉閲忥紝鑰屽皢褰撳墠宸ヨ祫浣滀负鍥犲彉閲忚繘琛岀嚎鎬鍥炲綊鍒嗘瀽锛屼粠涓...
绛旓細SPSS鍥炲綊鍒嗘瀽鐨勬煡鐪嬫柟寮忓涓嬶細鍥炲綊妯″瀷鐨勬嫙鍚堝害锛氭煡鐪嬫ā鍨嬫憳瑕佽〃鏍间腑鐨凴²锛堝喅瀹氱郴鏁帮級锛屼互璇勪及妯″瀷瀵规暟鎹殑鎷熷悎绋嬪害銆傚洖褰掔郴鏁帮細鍦ㄥ洖褰掔郴鏁拌〃鏍间腑锛屽彲浠ユ煡鐪嬫瘡涓嚜鍙橀噺鐨勫洖褰掔郴鏁帮紙B鍊硷級銆佹爣鍑嗚宸紙Std. Error锛変互鍙婄浉鍏崇殑鏄捐憲鎬ф按骞筹紙Sig.锛夈傚洖褰掔郴鏁拌〃绀鸿嚜鍙橀噺涓庡洜鍙橀噺涔嬮棿鐨勫叧绯伙紝姝ｅ艰〃绀烘鐩稿叧锛...
绛旓細绗竴涓〃锛氭渶宸﹁竟涓鍒楁槸鍙橀噺鍚嶏紝宸﹁竟绗簩鍒楁槸瀵瑰簲绗竴鍒楀彉閲忕殑鍥炲綊绯绘暟锛岀涓夊垪鍜岀鍥涘垪鍙互涓嶇敤绠★紝鏈鍚庝竴鍒楁暟鍊煎皬浜0.05锛屽垯鍥炲綊鍒嗘瀽涓浉搴旂殑鍙橀噺鏈夌粺璁″鎰忎箟锛屽洜姝銆丷OA銆丯PA銆丆AR鏈夋剰涔夛紝鍏跺畠涓や釜鍙橀噺鑸嶅純銆傜浜屼釜琛細绗竴琛 R^2涓0.240352 琛ㄧず鍥炲綊鏂圭▼鑳借В閲婄殑24%鐨缁撴灉锛孯^2浠嬩簬...
绛旓細1銆佺敤姣忎釜鑷彉閲忕殑鏍囧噯鍖朆/鎵鏈夎嚜鍙橀噺鏍囧噯鍖朆涔嬪拰锛屽緱鍑虹殑鐧惧垎姣 鍗冲彲琛ㄧず璇ヨ嚜鍙橀噺瀵瑰洜鍙橀噺鐨勮础鐚崰姣旓紝2銆侀愭鍥炲綊鐨勫熀鏈濇兂鏄皢鍙橀噺閫愪釜寮曞叆妯″瀷锛屾瘡寮曞叆涓涓В閲婂彉閲忓悗閮借杩涜F妫楠岋紝骞跺宸茬粡閫夊叆鐨勮В閲婂彉閲忛愪釜杩涜t妫楠岋紝褰撳師鏉ュ紩鍏ョ殑瑙ｉ噴鍙橀噺鐢变簬鍚庨潰瑙ｉ噴鍙橀噺鐨勫紩鍏ュ彉寰椾笉鍐嶆樉钁楁椂锛屽垯灏嗗叾鍒犻櫎銆...
绛旓細鏁欏璧勬簮锛岃绋嬭璁★紝璇剧▼瀹炴柦瀵规弧鎰忓害鍧囧憟鐜板嚭鏄捐憲鐨勬鍚戝奖鍝嶅叧绯汇5 绗洓姝ワ細鍐欏嚭妯″瀷鍏紡 妯″瀷鍏紡涓猴細婊℃剰搴=1.600 + 0.110*骞冲彴浜や簰鎬 + 0.150*鏁欏璧勬簮 + 0.271*璇剧▼璁捐 + 0.079*璇剧▼瀹炴柦 6 绗簲姝ワ細瀵瑰垎鏋愯繘琛屾荤粨 SPSSAU涔熶細鎻愪緵鏅鸿兘鍒嗘瀽寤鸿锛屾柟渚垮垎鏋愪汉鍛樺揩閫熷緱鍑鍒嗘瀽缁撴灉銆
绛旓細濡傛灉涓嶆樉钁楋紝鍒欏簲鍓旈櫎璇ュ彉閲忋傜涓夋锛氬垽鏂璛瀵筜鐨勫奖鍝嶅叧绯绘柟鍚戝強褰卞搷绋嬪害 缁撳悎鍥炲綊绯绘暟B鍊硷紝瀵规瘮鍒嗘瀽X瀵筜鐨勫奖鍝嶇▼搴︺侭鍊间负姝ｆ暟鍒欒鏄嶺瀵筜鏈夋鍚戝奖鍝嶏紝涓鸿礋鏁板垯璇存槑鏈夎礋鍚戝奖鍝嶃傜鍥涙锛氬啓鍑烘ā鍨嬪叕寮 绗簲姝ワ細瀵瑰垎鏋愯繘琛屾荤粨 SPSSAU涔熶細鎻愪緵鏅鸿兘鍒嗘瀽寤鸿锛屾柟渚垮垎鏋愪汉鍛樺揩閫熷緱鍑鍒嗘瀽缁撴灉銆
绛旓細Logistic鍥炲綊鍒嗘瀽缁撴灉閫氬父鍖呮嫭妯″瀷绯绘暟銆佹ā鍨嬭瘖鏂拰棰勬祴鍑嗙‘鐜囩瓑淇℃伅銆傚叿浣撴潵鐪嬶細1. 妯″瀷绯绘暟锛氬弽鏄犱簡鑷彉閲忎笌鍥犲彉閲忎箣闂寸殑鍏崇郴锛岀郴鏁颁负姝ｆ椂琛ㄧず姝ｇ浉鍏筹紝涓鸿礋鏃惰〃绀鸿礋鐩稿叧銆備絾绯绘暟澶у皬鍜屾樉钁楁ф按骞抽渶瑕佺粨鍚堝疄闄呴棶棰樺叿浣撳垎鏋愩2. 妯″瀷璇婃柇锛氬寘鎷畫宸佸叡绾挎с佸紓鏂瑰樊绛夎瘖鏂紝鍙互甯姪鐞嗚В妯″瀷鏄惁鍑嗙‘銆傚娈嬪樊...
