1、数据录入spss并且处理好。
2、分析——回归——线性。
3、选择自变量和因变量到对应的框,如下图。
4、点击下一页,如下图。
5、控制变量放进来,如下图。
6、结果都会有两个模型,可以对比控制变量放进来之后的各指标变化,一般看R放和系数表,如下图。
扩展资料:
spss软件的特点:
spss直接就有多元回归的按钮,控制变量和主要验证的自变量你自己能区分开就好,一起输入。这张图其实是做了四个多元回归。第一列也就是第一个模型,是以公司综合绩效为因变量,第一大股东持股比例为自变量,资产规模与资产负债率为控制变量的多元回归模型。
第二列是以公司综合绩效为因变量,前五大股东持股比例为自变量,资产规模与资产负债率为控制变量的多元回归模型。
一、案例说明
1.案例数据
在“工资影响因素”的调查问卷中,调查了每个人的起始工资、工作经验、受教育年限、受雇月数、职位等级以及当前工资六个方面。
2.分析目的
目的是建立以当前工资为因变量的回归模型,并得出结论。[案例来源于:SPSS统计分析(第5版)卢纹岱,朱红兵主编,案例有一些变动 具体请看分析。]
分析结果:
从上表可以看出,离差平方和为1461615.460,残差平方和为579191.966,而回归平方和为882423.494。回归方程的显著性检验中,统计量F=178.635,对应的p值远远小于0.05,被解释变量的线性关系是显著的,可以建立模型。建立模型后,需要查看模型拟合优度是否可以,其中就可以查看R方与调整R方值。
从上表可知,将起始工资,受教育年限,职位等级,工作经验作为自变量,而将当前工资作为因变量进行线性回归分析,从上表可以看出,模型R方值为0.604,调整R方为0.600,其中R方是决定系数,模型拟合指标。反应Y的波动有多少比例能被X的波动描述。调整R方也是模型拟合指标。当x个数较多是调整R²比R²更为准确。意味着起始工资,受教育年限,职位等级,工作经验可以解释当前工资的60.4%变化原因。可见,模型拟合优度较好,说明被解释变量可以被模型解释的部分较多。接下来查看变量是否具有多重共线性。
从上表可知,将起始工资,受教育年限,工作经验,职位等级作为自变量,而将当前工资作为因变量进行线性回归分析,从上表可以看出,模型公式为:当前工资=-41.634 + 0.425*起始工资 + 6.176*受教育年限-0.051*工作经验 + 29.819*职位等级。
上图所示,回归方程的常数项约为-41.63,以及起始工资、受教育年限、工作经验以及职位等级的非标准化系数分别为0.425、6.176、-0.051、29.819。表中4个变量的p值均小于0.05,并且VIF值均正常,因此4个变量可以显示在模型中。