毕业论文回归分析软件

多元回归中，自变量对因变量有没有影响，影响大小，主要看显著性检验，即P值。P值小于0.05，则通过了检验，认为该因素对因变量有显著影响。对于通过了影响的自变量，如果要比较哪个影响大，哪个影响小，除了看符号的正负外，还可以看标准后的回归系数。

可以说明，看标准回归系数，直接用SPSS回归分析，就可以得出各个自变量与因变量的相关系数。

多元回归分析中，首先要看X对Y有没有呈现出显著性影响，如果说自变量X已经对因变量Y产生显著影响(P< 0.05)，还想对比影响大小，可使用标准化系数( Beta)值的大小对比影响大小，Beta值大于0时正向影响，该值越大说明影响越大。Beta值小于0时负向影响，该值越小说明影响越大。

如果它不是线性的，你可以通过一些变换使它线性化，然后你可以用多元线性回归建模。变量之间的某些相关性是正常的，只要不存在多重共线性。

如果我们只需要探究自变量和因变量之间的关系，而不需要根据自变量的值来预测因变量的区间，则可以放宽方差的正态性和同质性。回归并不一定意味着因果关系。

两连续变量线性回归模型的适用条件：

（1）线性趋势：自变量与因变量之间为线性关系，可通过散点图判断；

（2）独立性：因变量Y的值是相互独立的，它们之间没有联系。即残差必须相互独立且不存在自相关；否则，应采用自回归模型；

（3）正态性：因变量Y服从正态分布，即残差要求服从正态分布。

如果是调查类的，一般用的spss

一般SPSS

线性回归(Regression)与结构方程模型(Structural equation modeling)是用来验证变量间的因果关系时，最经常使用的方法。 本文比较下两者的区别，抛开具体统计学方面的理论，尽量说得通俗易懂些。共同点先说共同点。两者都是用来检验变量间的因果关系；可以同时使用多个自变量(X)进行分析(如下图)；都可以检验中介关系和调节关系。两种分析方法解决的问题是没有本质区别的，因此同学们完全可以根据自己的需要选择。建议的选择标准，参考学科内近期前辈的毕业论文。你是硕士就参考硕士的，是博士就参考博士。如果没有可以参考的前辈，那就在自己看过的论文中，选取一篇和自己的想法类似的论文。在自己选定了方法后，务必和指导教授商量后，再最终决定。不同点再说不同点。使用的分析软件不同。线性回归多用SPSS来做，结构方程式模型则使用AMOS居多。标本要求不同。使用线性回归分析时，标本数不需要特别高，硕士论文的情况，一般100-200名就可以了。而结构方程式模型则需要大量样本，才会得到良好的分析结果，硕士一般要300，博士一般要500以上。线性回归一次只能使用一个因变量，而结构方程式模型则可以同时分析多个因变量。因此，结构方程式模型可以简单理解成多个线性回归的集合。因此，总的来说结构方程式模型分析难度稍高，分析过程也更为复杂些。分开来看具体的对两种分析方法进行说明下。线性回归分析：根据理论首先分清谁是因变量，谁是自变量。然后得出自变量对因变量的关系。这种方法得到的两者关系多为直接的影响。当变量之间的关系比较间接时(如下图。通过第三个因素或其他因素才能联系要分析的两变量关系)，直接运用线性回归分析无法得出我们想要的结果。 这时可以采取sobel-test，阶段式回归分析等方式来进行检验。线性回归分析一般使用SPSS软件进行分析。结构方程模型分析：是一种建立、估计和检验因果关系模型的方法。模型既包括可观测的显变量，也包括可能无法直接观测的潜变量。结构方程模型最大的优点在于可以同时处理许多因变量(与多元回归不同，可以允许各变量之间存在测量误差)，尤其当变量之间存在多层的关系时非常实用。结构方程模型可以替代多重回归、通径分析、因子分析、协方差分析等方法，科学地分析单项指标对总体的作用和单项指标间的相互关系。并可比较及评价不同的理论模型。通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS, EQS, Mplus。重庆大学出版社 2009年曾经专门出版过一本书叫《结构方程模型》(作者吴明隆)，很好的教材，本公众号里有下载，请参考下面传送门。有疑问请在文章下方留言(请勿私信)，你的问题也会帮助到别人。有疑问请在文章下方留言(请勿私信)，你的问题也也会帮助到别人。