spss多元回归分析结果怎么判断拟合效果

非常简单的,多元线性回归是一样的,你直接把因变量选入上面那个框,自变量全部选入下面.然后用逐步回归分析（常用）ENTER哪里下面的第二个.然后回归分析模型主要看有B和Beta那个表格!

你得出这个模型的方法是进入法,R系数为.746,R方.556表示解释因变量R的比例为55.6%,模型虽然显著.但是回归系数没一个显著,标准回归系数没一个显著,因为回归系数的t检验,sig值都大于.05

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

ModelSummary是对模型拟合效果的总结,R是相关系数,R2是决定系数,系数越大表面拟合效果越好.ANOVA是方差分析,然后F检验Coefficients就是回归结果,得到的回归方程的系数

最后一个

截图就不做了,说下大概的操作,1、在spss里variableview里,输入5个变量名称,可用中文.2、然后在dataview里分别录入5个变量对应的数据3、点击analyze--regession

第二个表说明拟合度,0.996,接近1,说明模型拟合不错；第三个表看F值就好,相当大,在95%甚至99%置信度下显著；第四个表说明自变量X（营业收入）系数为0.891,并且是在95%甚至99%置信度下

你看每个变量的sig值,如果小于0.05,就说明该变量对因变量有显著影响,反之则没显著影响,beta那一列是回归系数,B那一列是标准回归系数.

你的回归方法是直接进入法拟合优度R方等于0.678,表示自变量可以解释因变量的67.8%变化,说明拟合优度还可以.方差检验表中F值对应的概率P值为0.000,小于显著度0.05,因此应拒绝原假设,说明

对的系数不显著的的提出就行了再问：如果结果中Sig.值都大于0.05，是不是该换个因变量？再答：你的自变量是不是不合理啊再问：怎么看合不合理？

多元回归分析你要先确定一下自变量间是否存在严重的共线性,如果没有共线性,然后还要通过散点矩阵看看是否成线性关系,这些之后才可以做多元线性回归所以只看你现在的结果,的确只有x5才有意义,所以你要根据参考

如果你做的是多元回归看beta那列数据绝对值越大影响越大正负号是影响的方向

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

（1）中F伴随的p值小于0.001,是怎么看出来的?（2）常数在0.005下显著,以及x1在0.001下显著是怎么看出来的?就是看最后一列的sig值,就是P值.它小于显著性水平,比如0.05,就显著.

因为在多元回归分析的过程中,会自动剔除一些对于因变量无显著影响的变量你只是用简单相关分析的不准确,有可能是变量之间存在一些共线性所以导致单个都相关,而在多元回归分析时会有些变量被剔除了,回归方程可以用

推测是前人的数据进行了标准化.你也用标准化数据回归试试.标准化数据可以用分析-描述统计-描述弹出的对话框中将下面的“将标准化得分存为变量”打勾.然后回归的时候用数据里面新生成的zx1,zx2.数据进行

一看判定系数R方,本例中,R方=0.202,拟合优度很差.一般要在0.6以上为好.至少也在0.4以上.二看系数估计量的sig值,其中,独董规模的sig=0.007,小于0.05,说明该变量对因变量有显

自变量的地方选入多个变量就可以了.

除了碱度R和常数项以外,其余变量显著性都极低.模型总体显著性也低.最后的P-P图上,散点聚集没有聚集在直线上结论：模型显著性不足,更改模型设定,或采用逐步回归.再问：帮我看看我的原始数据，这个如何处理

表一的r值是复相关系数,r方是决定系数,r方表示你的模型可以解释百分之多少的你的因变量,比如你的例子里就是可以解释你的因变量的百分之八十.很高了.表二的sig是指你的回归可不可信,你的sig是0.00