spss线性回归分析结果解读是什么？

1.非标准化系数就是回归方程的斜率，表示每个自变量变化1个单位，因变量相应变化多少个单位，该系数与自变量所取的单位有关，一般不用来衡量自变量的影响力大小。2.标准化系数消除了自变量单位的影响，其大小可以衡量每个自变量对因变量的影响力之大小，一般来说，标准化系数的绝对值越大，该自变量对因变量的影响力就越大。

系数如果使用回归模型，则建议使用标准化系数。标准化系数可以更好地解释变量之间的差异，从而更容易地控制偏差。

第一，回归分析反映的是变量之间的关系，即X变化一个单位而Y变化几个单位，因此，如无特别需要，可以直接用各变量的原始数据进行分析，而无需对数据统一单位或数据标准化。 第二，SPSS等软件的回归分析自动输出标准化和非标准化的系数，因此可以直接获得标准化和非标准化的系数，而无需事先对数据标准化之后再进行回归分析。 第三，如果想知道解释变量之间谁对因变量影响更大，那么一个简单的做法是比较标准化系数，但这种方法也只是基于简单的观察和比较而不是统计检验，例如标准化回归系数0.35与0.33之间的差异并不一定具有统计学意义。 第四，当解释变量是分类变量时，标准化回归系数难以做出有意义的解释，此时用非标准化系数更好解释。第五，在做实际预测时，要使用非标准化系数和截距，也就是建立非标准化回归方程，而不是标准化回归方程。

1、首先需要通过线性回归模型求出标准化系数（即t值）标准化系数可以通过常用的统计软件（如SPSS、Excel等）计算得到。2、然后将标准化系数除以自变量的标准差，即可得到自变量的非标准化系数。3、最后线性回归非标准化系数指的是在线性回归模型中，自变量的系数，也称为回归系数或斜率系数。

应该使用非标准化系数。原因：1、标准化回归系数测度的是对被解释变量的重要性，只有标准化了，才能进行重要性对比。故，比较重要性时用标准化系数，做实际的预测，应该用非标准化系数。2、需要注意的是，标准化系数比较的主要性是一种同量纲化后的相对重要性。相对重要性，与某一特定的情况下，自变量间的离散程度有关。故，标准化回归系数的比较结果只是适用于某一特定环境的，而不是绝对正确的，它可能因时因地而变化。举例来说，从某一次数据中得出，在影响人格形成的因素中，环境因素的Beta值比遗传因素的Beta值大，这只能说明数据采集当时当地的情况，而不能加以任何不恰当的推论，不能绝对地不加任何限定地说，环境因素的影响就是比遗传因素大。事实上，如果未来环境因素的波动程度变小，很可能遗传因素就显得更为重要。数据的情况千差万别，变量的相对重要性也可能完全不同但都符合当时的实际情况。

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%置信度下显著。回归方程就是：Y=-15315.28+0.891X

　　标准化回归系数测度的是对被解释变量的重要性,只有标准化了,才能进行重要性对比。　　回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的因变量的多少，分为回归和多重回归分析；按照自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。

标准系数是指数据标准化以后算出来的系数，非标准化系数就是用你原来的数据算出来的系数，如果你想写出你的回归方程的话，就要看非标准那一栏的B下边的系数哈。ppv课，专业的视频网站，想学spss吗?就来ppv课网站，带你玩转大数据。

出现unstandardized和standardized之分是由于普通的回归系数（未标准化回归系数unstandardized）受到自变量和因变量数值大小的影响。比如，如果你的自变量的测量单位是“吨”，假如将它改为“公斤”，那么自变量的数值将扩大1000倍，此时回归系数将变成原来的1/1000。要避免以上情况，你可以参考spss提供的标准化回归系数，这个系数无论自变量和因变量采用什么单位都不会改变，你可以参考它来评价多个自变量的效应大小。由于你的数据只有一个自变量，因此不需要比较，也就不需要参考standardized的结果。展开全部结果里，R值就是回归的决定系数，代表各变量能解释因变量的程度。ANOVA里，sig小于0.05证明回归方程有效。constant对应的B值是截距（常数项），其他变量对应B值就是变量的影响系数。变量对应的beta值就是他们的标准化影响系数，数值最高的就是影响力度最大的因素。你想知道的自变量与因变量的关系是B值，B值越高，该自变量对因变量越大用SPSS17.0算出的标准系数是不是就是回归系数?如果不是那回归分析出的结果图表中哪个值是回归系数 —— CONFICIENS 中的B 就是回归系数，另外应注意SIG值应小于0.05，MODEL SUMMARY中的Adjusted R square 应大于0.85才能说明模型拟合的较好。 具体见图。 希望能对...SPSS回归分析中非标准化系数和标准化系数相同,怎么办 —— 你的自变量都是因子分析(Factor Analysis)出来的因子分数吧，变量单位在之前都统一标准化了，所以非标准系数和标准系数就都一样SPSS 回归系数计算方法 —— 回归系数计算方法:在回归方程中表示自变量x 对因变量y 影响大小的参数。回归系数越大表示x 对y 影响越大，正回归系数表示y 随x 增大而增大，负回归系数表示y 随x增大...各位大哥,我想知道spss中回归分析怎么确定系数,具体操作是怎么样的,比如y=aX+b怎样通过分析确定a和b —— 我给您写一下一元回归的具体步骤，希望能帮助到您:1.回归分析路径:analyze-->regression-->linear2.将一个因变量放入dependent，可将一个或多个自变量放入...如何检验一组数据是否符合正态分布 —— 1 方法 性质1: 设X是一个随机变量，其分布函数为F(x)，则Y=F(X)服从在〔0，1〕的... 则散点理论上应落在一直线上，可以用Pearson系数刻画这种分布。但由于随机变异...SPSS回归分析中的标注回归系数beta t值 P值 具体含义及要求,需要检查模型. —— 你好!B是指回归系数，beta是指标准回归系数，beta=B/S(B)，beta是用来比较各个系数之间的绝对作用或者贡献的大小，B值是不能判断的绝对贡献的。t值是对该回归系数...spss回归分析中,标准化系数和未标准化系数相同,是不是说明数据有问 —— 没有什么问题，说明你的数据已经标准化过了怎样用spss做 回归系数检验 —— 这里有一个例子，照着做就好了再看结果中的t值与F值的大小，t值越靠近1越好(但... 决定系数R2=0.913(接近于1)，作拟合优度检验，方差分析表明:F=52.32，P=0.001...SPSS中求得多元回归方程自变量系数采用标准化回归系数还是非标准化回归系数?谢谢 —— 用标准化的，因为标准化的变量单位是统一的，这种情况下比较每个自变量的回归系数才有意义，也才可以进行比较。而且标准化的回归系数表示的是自变量和因变量的相...

非标准化系数就是数据未经无量纲化得出的结果。标准化回归系数测度的是对被解释变量的重要性，只有标准化了，才能进行重要性对比。故，比较重要性时用标准化系数，做实际的预测，应该用非标准化系数。因为指标的种类繁多、复杂多样，有的还是不同质，即便是同一指标，在不同的行业，也会因其行业标准、重要性的不同而缺乏可比性，所以对指标进行无量纲化（标准化）处理，可使不同企业、不同指标间进行直接比较成为可能。标准化系数就是无量纲化后的数据分析结果。

一般看标准化系数

如何将标准化模型系数转换为非标准化系数标准化回归系数测度的是对被解释变量的重要性,只有标准化了,才能进行重要性对比。回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。

SPSS线性回归分析中,系数表解读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,所以看结果要看标准系数的,非标准化的可以不看.你写的回归方程式用非标准化系数来的,要改成标准系数的就对了,就算用非标准化的,你方程的截距都没有,非标准化的方程还是有截距的（就是那个常量）

排除量纲影响的时候，看标准化的，否则看非标准化的

用标准化的，因为标准化的变量单位是统一的，这种情况下比较每个自变量的回归系数才有意义，也才可以进行比较。而且标准化的回归系数表示的是自变量和因变量的相关，这样回归系数显得更有意义

可以的。有的时候系数就是会特别小，这有可能是数据的问题。你主要还是要看R方。看拟合度好不好~就算他给的系数你看起来很大，但是拟合度不好，这也不是一个好的回归方程哟~

1.8~2.2之间。标准化回归系数体现了变量间的相对重要性，而且与自变量的离散程度有关，如果其波动程度较大，那么就会显得比较重要；否则，就显得不太重要。标准化回归系数正是用于检测这种重要性的。标准化回归系数的比较结果，只适用于某一特定环境，而不是绝对正确的，它可能因时因地而变化。因而称标准化的系数是相对的，而非标准化的系数则是绝对的。当需要比较多个自变量对因变量相对作用大小时，可采用标准化回归系数，当只是想解释自变量对因变量的作用时，可采用非标准化的回归系数。

SPSS多元线性回归输出结果的详细解释先说一句题外话，如果当年在大学里数理统计等课程结合SPSS，SAS，R等软件来讲，应该效果会好很多。最近做了一些用SPSS进行线性回归的实验，还是感觉很多细节把握不好，这里结合我的实验结果，以及网上别人的介绍总结一下，先贴几张SPSS的输出：下面简单解释一下这三张图中的结果：第一个表模型汇总表中，R表示拟合优度（goodness of fit），它是用来衡量估计的模型对观测值的拟合程度。它的值越接近1说明模型越好。调整的R平方比调整前R平方更准确一些，图中的最终调整R方为0.550，表示自变量一共可以解释因变量55%的变化（variance），另外，由于使用的是StepWise Linear Regression (SWLR)，分析——回归——线性——“方法”选择“逐步”，所以模型1、2、3的R方逐渐增大，标准误差逐渐减小。（据网友的介绍：一般认为，拟合优度达到0.1为小效应（R方0.01），0.3为中等R方0.09），0.5为大（R方0.25），这是针对自然科学的一般界限。）第二个表Anova表示方差分析结果，主要看F和sig值两个，F值为方差分析的结果，是一个对整个回归方程的总体检验，指的是整个回归方程有没有使用价值（与随机瞎猜相比），其F值对应的Sig值小于0.05就可以认为回归方程是有用的。另外，从F值的角度来讲：F的值是回归方程的显著性检验，表示的是模型中被解释变量与所有解释变量之间的线性关系在总体上是否显著做出推断。若F>Fa(k,n-k-1)，则拒绝原假设，即认为列入模型的各个解释变量联合起来对被解释变量有显著影响，反之，则无显著影响。这里简单对Fa(k,n-k-1)进行一下解释，k为自变量个数，n为样本容量，n-k-1为自由度。对于我的实验中的情况来讲，k=3，样本容量为146，所以查表的时候应该差Fa(3,142)，一般数理统计课本中都有F分布表，a表示的显著性水平（一般取0.05），但我们手头不一定会有课本，就需要借助于excel来查F表，打开excel，在公式区输入：=FINV(0.05,3,142)，在单元格中即出现2.668336761，表中的F值显著大于这个值，则认为各个解释变量对因变量有显著影响。需要注意的是，方差分析是对多个自变量的总体检验，而不是单个自变量（单个自变量在系数表中，为单样本T检验），这就是第三个表回归系数表中的内容。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），最后一列为T检验的sig，表中均小于0.05，说明自变量对因变量具有显著影响，B表示各个自变量在回归方程中的系数，负值表示IPGF这个自变量对因变量有显著的负向影响，但是由于每个自变量的量纲和取值范围不同，基于B并不能反映各个自变量对因变量影响程度的大小，这时候我们就要借助标准系数。目前表格中的“试用版”实际上是Beta的意思，此时数值越大表示对自变量的影响更大。从这个分析过程来看，这个实验结果还挺理想的。

非标准化系数。比较重要性时用标准化系数，做实际的预测，应该用非标准化系数。标准化回归系数的比较结果只是适用于某一特定环境的，而不是绝对正确的，它可能因时因地而变化。

是在对自变量和因变量同时进行标准化处理后所得到的回归系数，数据经过标准化处理后消除了量纲、数量级等差异的影响，使得不同变量之间具有可比性，因此可以用标准化回归系数来比较不同自变量对因变量的作用大小。通常我们主要关注的是标准化回归系数的绝对值大小，绝对值越大，可认为它对因变量的影响就越大。未标准化回归系数VS标准化回归系数：未标准化回归系数体现的是自变量变化对因变量的绝对作用大小，而标准化回归系数反映的是不同自变量对因变量的相对作用大小，可以显示出不同自变量对因变量影响的重要性。

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。

b是非标准化回归系数

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<0.05一般被认为是系数检验显著，显著的意思就是你的回归系数的绝对值显著大于0，表明自变量可以有效预测因变量的变异，做出这个结论你有5%的可能会犯错误，即有95%的把握结论正确。回归的检验首先看anova那个表，也就是F检验，那个表代表的是对你进行回归的所有自变量的回归系数的一个总体检验，如果sig<0.05,说明至少有一个自变量能够有效预测因变量，这个在写数据分析结果时一般可以不报告然后看系数表，看标准化的回归系数是否显著，每个自变量都有一个对应的回归系数以及显著性检验最后看模型汇总那个表，R方叫做决定系数，他是自变量可以解释的变异量占因变量总变异量的比例，代表回归方程对因变量的解释程度，报告的时候报告调整后的R方，这个值是针对自变量的增多会不断增强预测力的一个矫正（因为即使没什么用的自变量，只要多增几个，R方也会变大，调整后的R方是对较多自变量的惩罚），R可以不用管，标准化的情况下R也是自变量和因变量的相关

这是因为标准化矩阵P是由特征值的特征向量构成。Axi=ri*xi.P=[x1,x2,……xn]。 故P"AP=R R是主对角线上为ri,其余为0的对角阵。(px)"A(px)=x"p"Apx=x"Rx=r1*x1^2+r2*x2^2+……rn*xn^2.这也就是说明了你问的问题。使其与各元素最大值中的最大值处于同一数量级,其最大的倍数称为标准化系数,将所有线金属量原始数据乘以标准化系数即可得标准化数据,进而计算分带指数

因为非标准化和标准化的区别就在于参数估计值（estimate）不同,结构方程为了能够使模型识别,要先指定一个测量尺度,比如固定载荷法或固定方差法,此时估计出来的结果是非标准化的,但我们最终要参考的结果是标准化的.而除了estimate之外,t,P,se这些内容是不会因为参数估计值的单位改变而变化的,因为标准化也就是单位改变的过程不会影响到这些值的计算结果.所以同样的数值没必要在标准化的解与非标准化的解里呈现两次.反过来想,比如说t,p都是参数显著性检验的结果,如果因为标准化了,改变了单位就发生显著性改变,那这个参数估计的结果不就是不稳定了吗?所以看结构方程的结果,显著性检验之类的看非标准化的即可,只有参数估计值是一定要看标准化的的

要看用在计算什么题目。spss进行线性回归，得到的系数结果有标准化和非标准化。一般采用非标准化的回归系数。如果量纲不一样，就采用标准化的系数。如果数据的量纲一样，那就采用非标准化的系数，不过大多数还是采用非标准化系数。

标准系数是指数据标准化以后算出来的系数，非标准化系数就是用你原来的数据算出来的系数，如果你想写出你的回归方程的话，就要看非标准那一栏的B下边的系数哈。用每个自变量的标准化B/所有自变量标准化B之和，得出的百分比 即可表示该自变量对因变量的贡献占比，逐步回归的基本思想是将变量逐个引入模型，每引入一个解释变量后都要进行F检验，并对已经选入的解释变量逐个进行t检验，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，则将其删除。以确保每次引入新的变量之前回归方程中只包含先主动变量。这是一个反复的过程，直到既没有显著的解释变量选入回归方程，也没有不显著的解释变量从回归方程中剔除为止。以保证最后所得到的解释变量集是最优的。

非标准化系数就是回归方程的斜率，表示每个自变量变化1个单位，因变量相应变化多少个单位，该系数与自变量所取的单位有关，一般不用来衡量自变量的影响力大小。标准化系数消除了自变量单位的影响，其大小可以衡量每个自变量对因变量的影响力之大小，一般来说，标准化系数的绝对值越大，该自变量对因变量的影响力就越大。SPSS（Statistical Product and Service Solutions），“统计产品与服务解决方案”软件。最初软件全称为“社会科学统计软件包”（SolutionsStatistical Package for the Social Sciences），但是随着SPSS产品服务领域的扩大和服务深度的增加，SPSS公司已于2000年正式将英文全称更改为“统计产品与服务解决方案”，这标志着SPSS的战略方向正在做出重大调整。SPSS为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，有Windows和Mac OS X等版本。1984年SPSS总部首先推出了世界上第一个统计分析软件微机版本SPSS/PC+，开创了SPSS微机系列产品的开发方向，极大地扩充了它的应用范围，并使其能很快地应用于自然科学、技术科学、社会科学的各个领域。世界上许多有影响的报刊杂志纷纷就SPSS的自动统计绘图、数据的深入分析、使用方便、功能齐全等方面给予了高度的评价。

应该使用非标准化系数。原因：1、标准化回归系数测度的是对被解释变量的重要性，只有标准化了，才能进行重要性对比。故，比较重要性时用标准化系数，做实际的预测，应该用非标准化系数。2、需要注意的是，标准化系数比较的主要性是一种同量纲化后的相对重要性。相对重要性，与某一特定的情况下，自变量间的离散程度有关。故，标准化回归系数的比较结果只是适用于某一特定环境的，而不是绝对正确的，它可能因时因地而变化。事实上，如果未来环境因素的波动程度变小，很可能遗传因素就显得更为重要。数据的情况千差万别，变量的相对重要性也可能完全不同但都符合当时的实际情况。

应该使用非标准化系数。 原因： 1、标准化回归系数测度的是对被解释变量的重要性，只有标准化了，才能进行重要性对比。故，比较重要性时用标准化系数，做实际的预测，应该用非标准化系数。 2、需要注意的是，标准化系数比较的主要性是一种同量纲化后的相对重要性。相对重要性，与某一特定的情况下，自变量间的离散程度有关。 故，标准化回归系数的比较结果只是适用于某一特定环境的，而不是绝对正确的，它可能因时因地而变化。举例来说，从某一次数据中得出，在影响人格形成的因素中，环境因素的Beta值比遗传因素的Beta值大，这只能说明数据采集当时当地的情况，而不能加以任何不恰当的推论，不能绝对地不加任何限定地说，环境因素的影响就是比遗传因素大。事实上，如果未来环境因素的波动程度变小，很可能遗传因素就显得更为重要。数据的情况千差万别，变量的相对重要性也可能完全不同但都符合当时的实际情况。

非标准化系数就是回归方程的斜率，表示每个自变量变化1个单位，因变量相应变化多少个单位，该系数与自变量所取的单位有关，一般不用来衡量自变量的影响力大小。标准化系数消除了自变量单位的影响，其大小可以衡量每个自变量对因变量的影响力之大小，一般来说，标准化系数的绝对值越大，该自变量对因变量的影响力就越大。SPSS（Statistical Product and Service Solutions），“统计产品与服务解决方案”软件。最初软件全称为“社会科学统计软件包”（SolutionsStatistical Package for the Social Sciences），但是随着SPSS产品服务领域的扩大和服务深度的增加，SPSS公司已于2000年正式将英文全称更改为“统计产品与服务解决方案”，这标志着SPSS的战略方向正在做出重大调整。SPSS为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，有Windows和Mac OS X等版本。1984年SPSS总部首先推出了世界上第一个统计分析软件微机版本SPSS/PC+，开创了SPSS微机系列产品的开发方向，极大地扩充了它的应用范围，并使其能很快地应用于自然科学、技术科学、社会科学的各个领域。世界上许多有影响的报刊杂志纷纷就SPSS的自动统计绘图、数据的深入分析、使用方便、功能齐全等方面给予了高度的评价。

应该使用非标准化系数。原因：1、标准化回归系数测度的是对被解释变量的重要性，只有标准化了，才能进行重要性对比。故，比较重要性时用标准化系数，做实际的预测，应该用非标准化系数。2、需要注意的是，标准化系数比较的主要性是一种同量纲化后的相对重要性。相对重要性，与某一特定的情况下，自变量间的离散程度有关。故，标准化回归系数的比较结果只是适用于某一特定环境的，而不是绝对正确的，它可能因时因地而变化。举例来说，从某一次数据中得出，在影响人格形成的因素中，环境因素的Beta值比遗传因素的Beta值大，这只能说明数据采集当时当地的情况，而不能加以任何不恰当的推论，不能绝对地不加任何限定地说，环境因素的影响就是比遗传因素大。事实上，如果未来环境因素的波动程度变小，很可能遗传因素就显得更为重要。数据的情况千差万别，变量的相对重要性也可能完全不同但都符合当时的实际情况。

非标准化系数就是回归方程的斜率，表示每个自变量变化1个单位，因变量相应变化多少个单位，该系数与自变量所取的单位有关，一般不用来衡量自变量的影响力大小。标准化系数消除了自变量单位的影响，其大小可以衡量每个自变量对因变量的影响力之大小，一般来说，标准化系数的绝对值越大，该自变量对因变量的影响力就越大。SPSS（Statistical Product and Service Solutions），“统计产品与服务解决方案”软件。最初软件全称为“社会科学统计软件包”（SolutionsStatistical Package for the Social Sciences），但是随着SPSS产品服务领域的扩大和服务深度的增加，SPSS公司已于2000年正式将英文全称更改为“统计产品与服务解决方案”，这标志着SPSS的战略方向正在做出重大调整。SPSS为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，有Windows和Mac OS X等版本。1984年SPSS总部首先推出了世界上第一个统计分析软件微机版本SPSS/PC+，开创了SPSS微机系列产品的开发方向，极大地扩充了它的应用范围，并使其能很快地应用于自然科学、技术科学、社会科学的各个领域。世界上许多有影响的报刊杂志纷纷就SPSS的自动统计绘图、数据的深入分析、使用方便、功能齐全等方面给予了高度的评价。

标准系数是指数据标准化以后算出来的系数，非标准化系数就是用你原来的数据算出来的系数，如果你想写出你的回归方程的话，就要看非标准那一栏的B下边的系数哈。ppv课，专业的视频网站，想学spss吗?就来ppv课网站，带你玩转大数据。

说明t检验的显著性概率大于置信区间。标准化回归系数测度的是对被解释变量的重要性，只有标准化了，才能进行重要性对比。故比较重要性时用标准化系数，做实际的预测，应该用非标准化系数。标准化系数比较的主要性是一种同量纲化后的相对重要性。相对重要性，与某一特定的情况下，自变量间的离散程度有关。

你的自变量都是因子分析(Factor Analysis)出来的因子分数吧，变量单位在之前都统一标准化了，所以非标准系数和标准系数就都一样

标准化回归系数测度的是对被解释变量的重要性,只有标准化了,才能进行重要性对比。回归分析(regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。运用十分广泛,回归分析按照涉及的因变量的多少,分为回归和多重回归分析;按照自变量的多少,可分为一元回归分析和多元回归分析;按照自变量和因变量之间的关系类型,可分为线性回归分析和非线性回归分析。如果在回归分析中,只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量,且因变量和自变量之间是线性关系,则称为多元线性回归分析。

标准化系数就是无量纲化后的数据分析结果，非标准化系数就是数据未经无量纲化得出的结果。因为指标的种类繁多、复杂多样，有的还是不同质，即便是同一指标，在不同的行业，也会因其行业标准、重要性的不同而缺乏可比性。所以对指标进行无量纲化（标准化）处理，可使不同企业、不同指标间进行直接比较成为可能。

非标准化系数就是回归方程的斜率，表示每个自变量变化1个单位，因变量相应变化多少个单位，该系数与自变量所取的单位有关，一般不用来衡量自变量的影响力大小。标准化系数消除了自变量单位的影响，其大小可以衡量每个自变量对因变量的影响力之大小，一般来说，标准化系数的绝对值越大，该自变量对因变量的影响力就越大。SPSS（Statistical Product and Service Solutions），“统计产品与服务解决方案”软件。最初软件全称为“社会科学统计软件包”（SolutionsStatistical Package for the Social Sciences），但是随着SPSS产品服务领域的扩大和服务深度的增加，SPSS公司已于2000年正式将英文全称更改为“统计产品与服务解决方案”，这标志着SPSS的战略方向正在做出重大调整。SPSS为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，有Windows和Mac OS X等版本。1984年SPSS总部首先推出了世界上第一个统计分析软件微机版本SPSS/PC+，开创了SPSS微机系列产品的开发方向，极大地扩充了它的应用范围，并使其能很快地应用于自然科学、技术科学、社会科学的各个领域。世界上许多有影响的报刊杂志纷纷就SPSS的自动统计绘图、数据的深入分析、使用方便、功能齐全等方面给予了高度的评价。

标准化系数，非标准化系数

可以的。有的时候系数就是会特别小，这有可能是数据的问题。你主要还是要看R方。看拟合度好不好~就算他给的系数你看起来很大，但是拟合度不好，这也不是一个好的回归方程哟~

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,所以看结果要看标准系数的，非标准化的可以不看。你写的回归方程式用非标准化系数来的，要改成标准系数的就对了，就算用非标准化的，你方程的截距都没有，非标准化的方程还是有截距的（就是那个常量）

应该使用非标准化系数。原因：1、标准化回归系数测度的是对被解释变量的重要性，只有标准化了，才能进行重要性对比。故，比较重要性时用标准化系数，做实际的预测，应该用非标准化系数。2、需要注意的是，标准化系数比较的主要性是一种同量纲化后的相对重要性。相对重要性，与某一特定的情况下，自变量间的离散程度有关。故，标准化回归系数的比较结果只是适用于某一特定环境的，而不是绝对正确的，它可能因时因地而变化。举例来说，从某一次数据中得出，在影响人格形成的因素中，环境因素的Beta值比遗传因素的Beta值大，这只能说明数据采集当时当地的情况，而不能加以任何不恰当的推论，不能绝对地不加任何限定地说，环境因素的影响就是比遗传因素大。事实上，如果未来环境因素的波动程度变小，很可能遗传因素就显得更为重要。数据的情况千差万别，变量的相对重要性也可能完全不同但都符合当时的实际情况。

标准化回归系数体现了变量间的相对重要性，而且与自变量的离散程度有关，如果其波动程度较大，那么就会显得比较重要;否则，就显得不太重要。标准化回归系数正是用于检测这种重要性的。标准化的系数是相对的，而非标准化的系数则是绝对的。当需要比较多个自变量对因变量相对作用大小时，可采用标准化回归系数，当只是想解释自变量对因变量的作用时，可采用非标准化的回归系数。

正常。本身非标准化系数 就是因为涉及到不同变量的单位级别 会导致回归系数之间的影响大小无法进行比较，所以才有了标准化回归系数，用于比较不同自变量对因变量的影响

可以使用在线spss平台SPSSAU进行分析，结果比较容易解读。首先要F检验，如果F值右上角有*号，说明回归分析通过F检验，即说明这个回归分析有意义可以做。然后通常需要看以下几个指标：R2代表回归方程模型拟合的好坏。同时VIF值代表多重共线性，所有的VIF值均需要小于10，相对严格的标准是小于5。接着分析具体X对Y的影响关系，在说明已经有影响关系的前提下，具体是正向或是负向影响关系，则是通过“非标准化系数”或者“标准化系数”进行判断。可以直接使用在线SPSS分析软件SPSSAU的回归分析，生成智能化文字分析结果及标准格式数据，不用单独整理。

3.3对百货商品销量连续40天如下：单位：万元 41 25 29 47 38 34 30 38 43 40 46 36 45 37 37 36 45 43 33 44 BR /> 35 28 46 34 30 37 44 26 38 44 42 36 37 37 49 39 42 32 36 35 要求：根据上述数据适当分组，频数分布表的编制，并绘制直方图。 1，确定组数：，取k = 6 2，确定从小组：组从=（最大值 - 最小值）÷组数= （49 - 25）÷6 = 4，取5 3，分组频率表销售收入（百万元）频率频率％累积频率累积频率％ <= 25 1 2.5 1 2.5 BR /> 5月26日至30日12.5 6 15.0 31 - 35 6 15.0 12 30.0 36 - 40 14 35.0 26 65.0 41 - 45 10 25.0 36 90.0 46 + 4 10.0 40 100.0 的/> 3.6 40 100.0 <br的自动装弹袋食品生产线总和，每袋重约50g，但由于某些原因，每袋的重量是不完全50克。这里是100袋食物的随机样本，测得的体重数据如下：单位g 57 46 49 54 55 58 49 61 51 49 51 60 52 54 51 55 60 56 47 47 53 51 48 53 50 52 40 45 57 53 52 51 46 48 47 53 47 53 44 47 50 52 53 47 45 48 54 52 48 46 49 52 59 53 50 43 53 46 57 49 49 44 57 52 42 49 43 47 46 48 51 59 45 45 46 52 55 47 49 50 54 47 48 44 57 47 53 58 52 48 55 53 57 49 56 56 57 53 41 48 要求：（1）建立数据的频率表。 （2）画出频率分布直方图。 （3）中的特征数据分布的描述。 溶液：（1）根据上述数据适当地组合，频数分布表的编制，并计算累积频率和累积频率。 1，确定组数：，取k = 6或7 2，确定从小组：组从=（最大 - 最小）÷数量组=（61-40）÷6 = 3.5，取3或4,5 组从=（最大 - 最小）组数÷=（61-40）÷7 = 3， 3从三组分组频率表，上限小于频率百分比累积频率累积百分比有效40.00 - 42.00 3 3.0 3 3.0 43.00 - 45.00 9 9.0 12 12.0 46.00 - 48.00 24 24.0 36 36.0 49.00 - 51.00 19 19.0 55 55.0 52.00 - 54.00 24 24.0 79 79.0 55.00 - 57.00 14 14.0 93 93.0 58.00 + 7 7.0 100 100.0 总计100 100.0 柱状图：在4 组，上限为小于或等于频率百分比累积频率累积百分比 BR />有效<= 40.00 1 1.0 1 1.0 41.00 - 44.00 7 7.0 8 8.0 45.00 - 48.00 28 28.0 36 36.0 49.00 - 52.00 28 28.0 64 64.0 53.00 - 56.00 22 22.0 86 86.0 57.00 - 60.00 13 13.0 99 99.0 61.00 + 1 1.0 100 100.0 总计100 100.0 直方图：组从5最大为小于或等于频率百分比累积频率累积百分比有效<= 45.00 12 12.0 12.0 12.0 46.00 - 50.00 37 37.0 49.0 49.0 51.00 - 55.00 34 34.0 83.0 83.0 56.00 - 60.00 16 16.0 99.0 99.0 61.00 + 1 1.0 100.0 100.0 总计100 100.0 直方图：分布：左侧钟。 25网民4.2随机样本得到他们的青睐如下：单位：生日 19 15 29 25 24 23 21 38 22 18 30 20 19 19 16 23 27 22 34 24 41 20 31 17 23 要求; （1）计算模式，中位数： 1，排序形成单因素和分值累积频率分布频率分布：网民青睐频数百分比累积频数累计百分比有效期15 1 4.0 1 4.0 16 1 4.0 2 8.0 17 1 4.0 3 12.0 18 1 4.0 4 16.0 19 3 12.0 7 28.0 20 2 8.0 9 36.0 21 1 4.0 10 40.0 /> 22 2 8.0 12 48.0 <br 23 3 12.0 15 60.0 24 2 8.0 17 68.0 25 1 4.0 18 72.0 27 1 4.0 19 76.0 29 1 4.0 20 80.0 30 1 4.0 21 84.0 31 1 4.0 22 88.0 34 1 4.0 23 92.0 38 1 4.0 24 96.0 41 1 4.0 25 100.0 合计25 100.0 从可见频率，模态，莫有两个：19,23;从累积频率看，我的中位数= 23。 （2）根据四分位数定义的公式进行计算。 Q1位置= 25/4 = 6.25，所以Q1 = 19，Q3位置= 3×25/4 = 18.75，因此Q3 = 27，或者像25和27都只有一个，所以Q3也可以等于25 +0.75×2 = 26.5。 （3）计算出的平均值和标准偏差; 均值= 24.00，标准差= 6.652 （4）计算偏度和峰度。 偏度= 1.080;峰度= 0.773 （5）对网民的年龄分布综合分析：分布，均值= 24，SD = 6.652，分布为右偏。一看形式分配需要进行分组。 下一个分组直方图：分组概率密度曲线情况：分组： 1，确定组数： ，取k = 6 2，确定从小组：从组= - 组=（41-15）÷6 = 4.3，取5 3，分组频率表（最大最小）÷数量互联网用户的年龄（离散化）频数百分比累积频数累计百分比有效<= 15 1 4.0 1 4.0 8月16日至20日32.0 9 36.0 21 - 25 9 36.0 18 72.0 三月26日至30日12.0 21 84.0 31 - 35 2 8.0 23 92.0 36 - 40 1 4.0 24 96.0 41±1 4.0 25 100.0 >共25 100.0 分组的均值和方差：平均23.3000 标准偏差7.02377 方差49.333 偏度1.163 。直方图的峰度1.302 分组：4.6抽取一个地区120家企业，利润是根据以下结果进行分组：受获利金额分组（元）数量企业的（） 200300 300400 400500 500600 600超过19 42 BR /> 18 共有120 要求：（1）计算出的120企业利润的金额均值和标准差。 （2）计算企业利润额120位数，众数，中位数四方解决方案：值N适用120 缺数0 平均426.6667 标准。偏差116.48445 偏度0.208 标准。的偏度0.221 峰度-0.625 标准错误。的/> 7.11生产包装食品用全自动打包机袋，标准体重l00g的峰度0.438 <br错误。从日现在由一批产品50包重复检查随机抽样产生的，每包的重量测量（单位：g）如下：每包重量（g）包装数量 9698 98100 100102 102104 104106 2 3 7 BR /> 4共50 已知重量的正态分布食品包装要求：（1）确定种类的食物，以95％的置信区间的平均重量。 解决方案：一个大样本，总体方差未知，与z统计样本平均值= 101.4，样本标准差s = 1.829 置信区间： > = 0.95，== 1.96 ==（100.89,101.91）（2）如果要求不合格食品重量小于l00g确定95％的合格率的批次的食品置信区间。 解决方法：大样本的估计，总体方差未知，与z统计采样率=（50-5）/ 50 = 0.9 置信范围：占国内= 0.95，== 1.96 ==（0.8168,0.9832） 11.6以下是七个方面，2000年，人均生产总值（GDP）和人均消费统计数据水平：人均消费水平人均GDP（元）（元） 上海，辽宁，江西 贵州，河南，陕西22 460 11 226 34 547 4 851 5 444 2 662 4 549 7 326 4 490 11 546 2 396 2 208 1 608 2 035 要求：（1）人均GDP为自变量，人均消费水平为因变量，绘制散点图，并描述了两种形式之间的关系。 （2）计算两个变量之间的线性相关系数，说明两个变量之间关系的强度。 （3）用最小二乘法计算出的估计回归方程，并解释回归系数的实际意义。 （4）计算判定系数并解释其意义。 （5）检验线性回归方程为显著关系（α= 0.05）。 （6）如果一个地区的人均GDP为5000元，人均消费水平的预测。当（7）人均国内生产总值的需求是每95％的置信区间和预测区间的人均消费水平5000元。 解决方案：（1）有可能是一个线性关系__ 。 （2）相关系数：<br人均国内生产总值（元）人均消费水平（元）人均GDP（元）1.998 Pearson相关系数之间p>相关（**）人均显著（双面）0.000 以北7 7 消费水平（元）Pearson相关0.998（**）1 显著（双面）0.000 BR />以北7 7 **。在.01水平显著相关（双侧）上。 有很强的线性关系。 （3）的回归方程为：系数标准化系数T显著乙SE Beta版 1（常量）734.693 139.540非标准化系数（一）模型5.265 0.003 人均GDP（元）0.309 0.008 0.998 36.492 0.000 一个因变量：人均消费水平（元）回归系数是指：不提高1元，人均GDP，人均消费0.309亿美元。 （4）模型摘要模型居民方调整的R平方估计的标准差 1 0.998（一）0.996 0.996 247.303 一。预测变量：（常量），人均国内生产总值（人民币）。 人均消费人均GDP的影响达到99.6％。 （5）F检验：方差分析（二）平方的总和型号DF平均平方和F显著 1返回81,444,968.680 1 81,444,968.680 1,331.692 .000（一）残差305,795.034 5 61,159.007 合计81,750,763.714 6 一个预测变量：（常量），人均国内生产总值（人民币）。 b因变量：人均消费水平（元）测试回归系数：t检验系数（一）非标准化系数模型显著标准化系数T >β 1（常量）734.693 139.540 5.265 0.003 人均GDP（元）0.309 0.008 0.998 36.492 0.000 一个因变量：人均消费水平（元） >（6）一个地区的人均GDP是人均5000元消费水平预测2278.10657元。 （7）人均GDP为每95％信心区间[1990.74915,2565.46399]，预测区间[1580.46315,2975.74999]人均消费水平5000元。 13.4下表显示了中国的财政1981年和2000年的文化，教育，科技，卫生支出数据表明量年度支出（万元）年支出（元） > 1981 171.36 1991 708.00 1982 196.96 1992 792.96 1983 223.54 1993 957.77 1984 263.17 1994 1278 0.18 1985 316.70 1995 1467 .06 1986 379.93 1996 1704。 25 1987 402.75 1997 1903 0.59 1988 486.10 1998 2154 0.38 1989 553.33 1999 2408 .06 1990 617.29 2000 2736 0.88 （1）渲染时间序列图描述的趋势。 （2）选择合适的趋势线拟合数据，并根据趋势线预测开支在2001年。 详细的解答：（1）趋势如下：（2）可以从趋势中可以看出，中国的金融文化，教育，科技，卫生支出的数额列示表明指数增长的趋势，所以选择的指数曲线。线性变换后，运用Excel输出的回归结果如下：复R 0.998423 R平方0.996849 调整的R平方0.996674 标准观测误差0.022125 DF SS MS F显著性F 回归1 2.787616 2.787616 5694.885 5.68E-24 残差18 0.008811 0.000489 BR />共19 2.796427 系数标准误差t统计P值低95％95％上限截2.163699 0.010278 210.5269 5.55E-32 2.142106 2.185291 X变量1 0.064745 0.000858 75.46446 5.68E-24 0.062942 0.066547 ，，，。因此，指数曲线方程：。 2001年的预测是：13.10 19952000年北京月平均气温数据如下（单位:)：月/年份1995 1996 1997 1998 1999 2000 1 -0.7 -2.2 -3.8 - 3.9 -1.6 -6.4 2 2.1 -0.4 1.3 2.4 2.2 -1.5 3 7.7 6.2 8.7 7.6 4.8 8.1 4 14.7 14.3 14.5 15.0 14.4 14.6 5 19.8 21.6 20.0 19.9 19.5 20.4 6 24.3 25.4 24.6 23.6 25.4 26.7 7 25.9 25.5 28.2 26.5 28.1 29.6 8 25.4 23.9 26.6 25.1 25.6 25.7 9 19.0 20.7 18.6 22.2 20.9 21.8 10 14.5 12.8 14.0 14.8 13.0 12.6 11 7.7 4.2 5.4 4.0 5.9 3.0 类型的时间序列的12 -0.4 0.9 -1.5 0.1 -0.6 -0.6 （1）年的时间序列绘制折地图，判断。 （2）用多元回归模型来预测季节平均气温为每月2001。 详细的解答：（1）年的时间序列折叠示意图如下：折叠的时间序列可以从每年的图中可以看出，北京的月平均气温具有明显的季节变化。由于越线图的走势表明，该序列不存在。 （2）季节性的多元回归模型：月份设置。季节性的多元回归模型：虚拟变量为：，，......，。 Excel的输出由回归结果如下：B0 -0.2233 B1 -0.0030 M1 -2.7832 M2 1.3365 M3 7.5062 M4 14.9092 M5 20.5289 M6 25.3319 M7 27.6349 M8 25.7213 M9 20.8743 M10 13.9606 M11 5.3803 季节性的多元回归方程为：2001年的预测值在一月份的平均气温为如下：？？年/月时间假人预测 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 1 73 1 0 0 0 0 0 0 0 0 0 0 -3.2 2 74 0 1 0 0 0 0 0 0 0 0 0 0.9 3 75 0 0 1 0 0 0 0 0 0 0 0 7.1 4 76 0 0 0 1 0 0 0 0 0 0 0 14.5 5 77 0 0 0 0 1 0 0 0 0 0 0 20.1 6 78 0 0 0 0 0 1 0 0 0 0 0 24.9 7 79 0 0 0 0 0 0 1 0 0 0 0 27.2 8 80 0 0 0 0 0 0 0 1 0 0 0 25.3 9 81 0 0 0 0 0 0 0 0 1 0 0 20.4 10 82 0 0 0 0 0 0 0 0 0 1 0 13.5 > 11 83 0 0 0 0 0 0 0 0 0 0 1 4.9 12 84 0 0 0 0 0 0 0 0 0 0 0 -0.5

负数只是表示相关性为负向，并不意味着错误。（南心Amos）

spss贝塔值看法如下β指的是回归系数，在spss里同时有标准化的回归系数和非标准化的回归系数，如果是非标准化的，在spss报表里表示为unstandardizedB，如果是标准化的，表示为standardizedBeta，通常研究中需要报告的是标准化的结果。

问题一：统计学中回归系数的意义 回归系数反映了自变量与因变量的关联程度，标准化的回归系数等价于相关系数。而相关系数则是用自变量预测因变量的回归系数与用因变量预测自变量的回归系数的几何平均值。 简单点理解的话是可以看做自变量和因变量的一种相关关系 问题二：偏回归系数的介绍 partial regression coefficient在多元回归分析中，随机因变量对各个自变量的回归系数，表示各自变量对随机变量的影响程度。偏回归系数是多元回归问题出现的一个特殊性质,如何理解、辨认和求取偏回归系数正是本文要讨论的。为了简化问题,我们把对偏回归系数的讨论,限定为只有2个解释变量的系统,即建立的经济计量模型为Yi=β0+β1X1i+β2X2i+ui(1) 回归方程为^Yi=^β0+^β1X1i+^β2X2i(2)式中^βi(i=0,1,2)为偏回归系数。 问题三：什么是偏回归系数，它与简单线性回归的回归系数有什么不同 多元线性回归模型中，回归系数βi（i＝1，2，，，，k）表示的是当控制其它解释变量不变的条件下，第i个解释变量的单位变动对被解释变量平均值的影响，这样的回归系数称为偏回归系数。 简单线性回归模型只有一个解释变量，回归系数表示解释变量的单位变动对被解释变量平均值的影响。多元线性回归模型中的回归系数是偏回归系数，是当控制其它解释变量不变的条件下，某个解释变量的单位变动对被解释变量平均值的影响，从而可以实现保持某些控制变量不变的情况下，分析所关注的变量对被解释变量的真实影响。 问题四：逐步回归里面哪个是标准回归系数，偏回归系数 5分 Unstandardized Coefficients是偏 Standardized Coefficients是标准回归系数 问题五：SPSS 线性回归分析中，系数表解读 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,所以看结果要看标准系数的，非标准化的可以不看。 你写的回归方程式用非标准化系数来的，要改成标准系数的就对了，就算用非标准化的，你方程的截距都没有，非标准化的方程还是有截距的（就是那个常量） 问题六：线性回归参数含义的理解问题 30分 我擦，题主这么多问题一点悬赏都没有，太小气了！！知道我也不答！！ 题主仍然小气的让人心碎，你得知道这个问题还是很复杂的。那我就简单讲讲吧。 首先线性回归模型有一个通用的公式是Y=(X^T)B (X^T是向量的转置,向量默认列向量)，因为这个公式兼容了当函数是多元的情况。 在这里，将其展开是y=(1,x1,x2,...,xn)^T (b0,b1,...bn)一元的话，就是y=(1,x1)^T(b0,b1). 所以B一定是向量。 线性回归完整的模型是这样的。 对于任取一点，y是一个变量服从正态分布，分布的期望值=(X^T)B。你得知道，线性回归得到的y，实际上是一个正态分布的期望值， 只能对应一种预期。但对于一组实际的数据，你也可以看到线性模型的图与实际散点图并不完全重合。 然后系数的计算是使得（y-BX）^2最小，B的计算结果是包含y的，y又是一个变量，所以B也是一个变量。如果代入一组实际数据，那么我们得到是其实是对B的一个估计值，一般记作b。 （3）残差公式为 (求和符号)（yi-yi"）^2。 yi为实际值，yi"为线性模型所求的值。在这里实际值与回归出来的函数都出现了。 标准差只是形容一组实际数据与其平均值的偏离程度，并没有出现回归出来的函数。 4. 置信区间是对一个变量说的。你这里置信区间是对参数B还是y呢？我MATLAB没用过，不知道究竟指谁。 5. 标准差应该解释清楚了吧。 这么多统计量都是为了说明 线性模型是否足以刻画这组数据。你可以看看一本书叫Applied Linear Statistical Method 第五版，这些统计量对于多元回归的变量的选取还是有一定意义的， 6. 可以理解成当H0成立时，我这组数据在当前模型里是不是最极端的情况。p非常小，意味着这组数据是非常极端的，在很多次实验里只能出现几次，所以就reject H0. 问题七：excel回归分析中的指标代表什么意义 统计学中的回归预测分析具有普遍的实用意义，但变量之间关系分析及计算繁杂，而借助Excel可方便高效地研究其数量变动关系，完成其繁杂的计算分析过程。　　根据回归预测中的实例，借助Excel进行相关分析，判断出其相关程度，并在此基础上建立回归模型，最后用Excel完成计算分析、统计检验及预测，使回归预测分析的计算过程更简捷，统计预测方法更为实用。　　直线回归分析是研究一个应变量与一个自变量间呈直线趋势的数量关系。在实际中，常会遇到一个应变量与多个自变量数量关系的问题。一个应变量与多个自变量间的这种线性数量关系可以用多元线性回归方程来表示。 式中b0相当于直线回归方程中的常数项a，bi（i=1,2,……m）称为偏回归系数，其意义为当其它自变量对应变量的线性影响固定时，bi反映了第i个自变量xi对应变量y线性影响的度量。 〔例〕财政收入多因素分析　　在一定时期内，财政收入规模大小受许多因素的影响，如国民生产总值大小、社会从业人员多少、税收规模大小、税率高低因素等。本例仅取四个变量作为解释变量，分析它们对财政收入的影响程度。　　t: 年份，y: 财政收入(亿元)，xl: 税收(亿元)，x2: 国民生产总值 (亿元)，x3: 其他收入(亿元)，x4: 社会从业人数(万人)。　　数据来自中国统计出版社出版的《中国统计年鉴》，数据时限为1978-1995年，见下图1所示。按下列步骤使用Excel“回归”分析工具： 1. 输数据: 将数据输入A1:F19单元格。数据为19行6列，分别记每列变量名为t、y、x1、x2、x3、x4 2. 相关分析：　　(1)选择Excel“工具”菜单之“数据分析”选项, 在分析工具框中选“相关系数”。相关系数对话框将显示为图2所示，它带输入输出的提示。 1)输入　　输入区域：$B$1:$F$19 　　分组方式：⊙逐列　　选择标志位于第一行　　2) 输出选项　　⊙输出区域: $A$21　　(2)单击“确定”，Excel将计算出结果显示在输出区域中。 3. 回归分析: 　　(1) 选择Excel“工具”菜单之“数据分析”选项, 在分析工具框中“回归”。回归对话框将显示为图4所示， 1) 输入　　Y值输入区域：$B$1:$B$19 　　X值输入区域：$C$1:$F$19 　　标志　　常数为零:只有当用户想强制使回归线通过原点时才选此框　　置信度: Excel自动包括了回归系数的95％置信区间。要使用其他置信区间，选择该框并在“置信度”框中输入置信水平　　2) 输出选项　　⊙ 输出区域: $H$1　　3) 残差　　残差(R)：选择此框可得到预测值和残差(Residual)，见图7。......>> 问题八：怎样根据偏回归系数判断是否显著 （1）参数显著性检验t检验对应的Prob，若小于0.05则参数的显著性检验通过，再看R方，越接近1，拟合优度越高；F的P值，小于0.05的话模型才显著，DW用来检验残差序列的相关性的，在2的附近，说明残差序列不相关。 （2）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 问题九：多元线性回归系数正负是什么意思 多元线性回归：在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此多元线性回归比一元线性回归的实用意义更大。 简介 多元线性回归的基本原理和基本计算过程与一元线性回归相同，但由于自变量个数多，计算相当麻烦，一般在实际中应用时都要借助统计软件。这里只介绍多元线性回归的一些基本问题。 但由于各个自变量的单位可能不一样，比如说一个消费水平的关系式中，工资水平、受教育程度、职业、地区、家庭负担等等因素都会影响到消费水平，而这些影响因素（自变量）的单位显然是不同的，因此自变量前系数的大小并不能说明该因素的重要程度，更简单地来说，同样工资收入，如果用元为单位就比用百元为单位所得的回归系数要小，但是工资水平对消费的影响程度并没有变，所以得想办法将各个自变量化到统一的单位上来。前面学到的标准分就有这个功能，具体到这里来说，就是将所有变量包括因变量都先转化为标准分，再进行线性回归，此时得到的回归系数就能反映对应自变量的重要程度。这时的回归方程称为标准回归方程，回归系数称为标准回归系数，表示如下： Zy= β1Z*1 + β2Z*2 + … + βkZ*k 注意 由于都化成了标准分，所以就不再有常数项 a 了，因为各自变量都取平均水平时，因变量也应该取平均水平，而平均水平正好对应标准分 0 ，当等式两端的变量都取 0 时，常数项也就为 0 了。 如何把正的变成负的：如果这个回归因子的显著性不高的话,你可以通过增加或者减少回归因子来达到目的,增加一个显著性比它高的正向显著回归因子,或者减少一个显著性比它低得负向显著回归因子,都可能使得回归系数从正的变成负的. 这样的话,其实你这个回归因子本身就不显著,一般来说是可以忽略掉它的.