作图啊？spss\visio\mindmanager excel也行啊没啥特别的，能表达自己的思路和文章的意义就行
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
看回归系数，r2等
SPSS回归分析是论文中最常用的研究假设检验技术回归分析是论文中最常用的研究假设检验技术，想知道自变项X对依变项Y的解释力或预测力时，最常用的是线性回归SPSS: Analyze- Regression- Linear弹出对话框，输入想要验证的自变项和依变项，如图：如图，Sig. P<.05,有显著性， 表示自变项X对依变项Y的解释力或预测力正相关R Square 自变数能够解释依变数的变异量，此处.763表示共同解释76.3%的变异量，论文报告中要报告调整后的R平方，即Adjusted R Square
回归结果在论文上展示如下：1、统计学分析中表述logistic回归时，要报告自变量，因变量，自变量筛选方法。2、表述logistic回归分析结果时，要报告自变量，因变量的赋值情况，我们可以选择表格展示变量的意义和赋值。3、表述logistic回归分析结果时，要报告OR，95%可信区间，各变量参照组，这是logistic回归最核心的结果表述。
比较费时费力，花好久的时间啊。建议：原始数据，用随机数产生吧。
你使用的是enter方法让变量进入放昶anova表示显著性，方程整体来看可以接受然后检查系数的显著性R方有时候也得考虑，看你是否需要最后写出回归方程即可
哪里的MM啊，这个原始数据还是你编吧,,没有数据我很难做的按照统计分析做数据是很有难度的啊,,我觉得数据还是你自己弄好好了,最好是真实的,比较好。估计比编花的时间还要少...对哦,数据弄好了,如果会用EXCEL的话自己弄,弄不好我帮你弄弄看.
哥哥，您这是逮着数据就往里面塞啊！而且你怎么没有给出因变量？我猜测是销售量？还是点击量？暂且不论你自变量的选择不正确，你的R Square值太小，最起码应该达到0.40以上。模型拟合度相当不好，请删减自变量，再行回归！
问题一：多元线性回归分析论文中的回归模型怎么分析 根据R方最大的那个来处理。（南心网 SPSS多元线性回归分析） 问题二：谁能给我列一下多元线性回归分析的步骤，这里正在写论文，第一部分是研究方法，多谢 10分 选题是论文写作关键的第一步，直接关系论文的质量。常言说：“题好文一半”。对于临床护理人员来说，选择论文题目要注意以下几点：（1）要结合学习与工作实际，根据自己所熟悉的专业和研究兴趣，适当选择有理论和实践意义的课题；（2）论文写作选题宜小不宜大，只要在学术的某一领域或某一点上，有自己的一得之见，或成功的经验．或失败的教训，或新的观点和认识，言之有物，读之有益，就可以作为选题；（3）论文写作选题时要查看文献资料，既可了解别人对这个问题的研究达到什么程度，也可以借鉴人家对这个问题的研究成果。 需要指出，论文写作选题与论文的标题既有关系又不是一回事。标题是在选题基础上拟定的，是选题的高度概括，但选题及写作不应受标题的限制，有时在写作过程中，选题未变，标题却几经修改变动。 问题三：用SPSS做多元线性回归，之后得到一些属于表格，该怎样分析这些数据？ 200分 你的分析结果没能通过T检验，这可能是回归假设不满足导致的，需要进一步对数据进行验证，有问题可以私信我。 问题四：过于多元线性回归分析，SPSS操作 典型的多重共线。 多元回归分析中，一定要先进行多重共线检验，如VIF法。 对于存在多重共线的模型，一个办法是逐步回归，如你做的，但结果的删除变量太多，所以，这种方法效果不好。 此外，还有其它办法，如岭回归，主成分回归，这些方法都保留原始变量。 问题五：硕士毕业论文中做多元线性回归的实证分析，该怎么做 多元线性，回归，的实证分析 问题六：用SPSS做多元回归分析得出的指标结果怎么分析啊？ 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。000，说明在0.01的水平上你的模型显著回归，方程具有统计学意义。表三的sig值表示各个变量在方程中是否和因变量有线性关系，sig越大，统计意义越不显著，你的都小于0.05，从回归意义上说，你这个模型还蛮好的。vif是检验多重共线性的，你的vif有一点大，说明多重共线性比较明显，可以用岭回归或者主成分回归消除共线性。你要是愿意改小，应该也没关系。 ppv课，大数据培训专家，随时随地为你充电，来ppv看看学习视频，助你成就职场之路。更有精品学习心得和你分享哦。 问题七：如何对数据进行多元线性回归分析？ 5分 对数据进行多元线性回归分析方法有很多，除了用pss ，可以用Excel的数据分析模块，也可以用Matlab的用regress（）函数拟合。你可以把数据发到我的企鹅邮箱，邮箱名为百度名。 问题八：经济类论文 多元线性回归 变量取对数 40分 文 多元线性回归 变量取对数 知道更多 多了解
研究方法通常可以分为三大类，分别是差异关系，相关关系和其它关系。
参考资料：
(一)确定论文提要，再加进材料，形成全文的概要论文提要是内容提纲的雏型。一般书、教学参考书都有反映全书内容的提要，以便读者一翻提要就知道书的大概内容。我们写论文也需要先写出论文提要。在执笔前把论文的题目和大标题、小标题列出来，再把选用的材料插进去，就形成了论文内容的提要。(二)原稿纸页数的分配写好毕业论文的提要之后，要根据论文的内容考虑篇幅的长短，文章的各个部分，大体上要写多少字。如计划写20页原稿纸(每页300字)的论文，考虑序论用1页，本论用17页，结论用1—2页。本论部分再进行分配，如本论共有四项，可以第一项3—4页，第二项用4—5页，第三项3—4页，第四项6—7页。有这样的分配，便于资料的配备和安排，写作能更有计划。毕业论文的长短一般规定为5000—6000字，因为过短，问题很难讲透，而作为毕业论文也不宜过长，这是一般大专、本科学生的理论基础、实践经验所决定的。(三)编写提纲论文提纲可分为简单提纲和详细提纲两种。简单提纲是高度概括的，只提示论文的要点，如何展开则不涉及。这种提纲虽然简单，但由于它是经过深思熟虑构成的，写作时能顺利进行。没有这种准备，边想边写很难顺利地写下去。
哪里的MM啊，这个原始数据还是你编吧,,没有数据我很难做的按照统计分析做数据是很有难度的啊,,我觉得数据还是你自己弄好好了,最好是真实的,比较好。估计比编花的时间还要少...对哦,数据弄好了,如果会用EXCEL的话自己弄,弄不好我帮你弄弄看.
2006年我国各城市的GDP变动的多因素分析摘要：本文主要通过对各城市同一时期的GDP进行多因素分析，建立以各城市同一时期的GDP为被解释变量，以其它可量化横截面数据作为解释变量建立多元线性回归模型，从而对各城市同一时期的GDP进行数量化分析。关键词：GDPY(亿元） 多因素分析 模型 计量经济学 检验一、引言部分GDP（国内生产总值）指一个国家（或地区）所有常住单位在一定时期内生产活动的最终成果，从价值形态看，它是所有常住单位在一定时期内生产的全部货物和服务价值超过同期中间投入的全部非固定资产货物和服务价值的差额，即所有常住单位的增加值之和。GDP在创造的同时也被相应的生产要素分走了，主要体现为劳动报酬和利润。在现代社会政府还要以税收的形式拿走一部分GDP。本文主要研究就业人数L（万人）、各地区资本形成总额K(亿元）剔除价格影响因素即商品零售价格指数P（上年=100）之后对各城市同一时期的GDP的影响。二、文献综述注： 2006年各城市同一时期的GDP总量的数据来源于《中国统计年鉴2007》；2006年就业人数L（万人）的数据来源于《中国统计年鉴2007》；2006年资本形成总额K(亿元）的数据来源于《中国统计年鉴2007》,本表按2006年价格计算；2006年商品零售价格指数P（上年=100）的数据来源于《中国统计年鉴2007》；三、研究目的通过研究各个城市在同一时期的GDP建立以各城市同一时期的GDP为被解释变量，以其它可量化横截面数据作为解释变量建立多元线性回归模型，从而对各城市同一时期的GDP进行数量化分析。掌握建立多元回归模型和比较、筛选模型的方法。四、实验内容根据生产函数理论，生产函数的基本形式为: 。其中，L、K分别为产出GDP的过程中投入的劳动与资金,本文未考虑时间变量 即技术进步的影响。上表列出了我国2006年我国各个城市的GDP的有关统计资料；其中产出Y为各城市同一时期的GDP（可比价），L、K分别为2006年年末职工人数和各地区资本形成总额（可比价）。五、建立模型并进行模型的参数估计、检验及修正（一） 我们先建立Y1与L的关系模型：其中，Y1——各个城市在同一时期的实际GDP(亿元)L——2006年年末职工人数（万人）模型的参数估计及其经济意义、统计推断的检验利用EVIEWS软件，经回归分析，作出Y1与L的散点图如下：利用EVIEWS软件，用OLS方法估计得：Dependent Variable: Y1Method: Least SquaresDate: 05/27/10 Time: 14:45Sample: 1 36Included observations: 31Variable Coefficient Std. Error t-Statistic Prob.C -1647.264 517.2169 -3.184861 0.0034L 14.99417 0.712549 21.04299 0.0000R-squared 0.938534 Mean dependent var 7387.979Adjusted R-squared 0.936415 S.D. dependent var 6367.139S.E. of regression 1605.545 Akaike info criterion 17.66266Sum squared resid 74755513 Schwarz criterion 17.75517Log likelihood -271.7712 F-statistic 442.8073Durbin-Watson stat 1.503388 Prob(F-statistic) 0.000000可见，L的t值显著，且系数符合经济意义。从经济意义上讲，劳动每增加一单位，都可以使实际GDP相应增加14.9941， 这在一定条件下可以实现。另外，修正可决系数为0.936415，F值为442.8073，明显通过了F检验。且L的P检验值为0，小于0.05,所以通过了P值检验（二）建立Y1与K1的关系模型：其中，Y1——各个城市在同一时期的实际GDP(亿元)K1——各地区资本形成总额(实际投入额)（亿元）模型的参数估计及其经济意义、统计推断的检验利用EVIEWS软件，经回归分析，作出Y1与K1的散点图如下：利用EVIEWS软件，用OLS方法估计得：Dependent Variable: Y1Method: Least SquaresDate: 05/27/10 Time: 17:16Sample: 1 36Included observations: 31Variable Coefficient Std. Error t-Statistic Prob.C -705.0563 393.0357 -1.793873 0.0833K1 2.241106 0.086751 25.83385 0.0000R-squared 0.958357 Mean dependent var 7387.979Adjusted R-squared 0.956921 S.D. dependent var 6367.139S.E. of regression 1321.537 Akaike info criterion 17.27332Sum squared resid 50647333 Schwarz criterion 17.36583Log likelihood -265.7364 F-statistic 667.3880Durbin-Watson stat 1.697910 Prob(F-statistic) 0.000000可见，K1的t值显著，且系数符合经济意义。从经济意义上讲，资本每增加一单位，都可以使实际GDP相应增加2.241106， 这在一定条件下可以实现。另外，修正可决系数为0.956921，F值为667.3880，明显通过了F检验。且K1的P检验值为0，小于0.05,所以通过了P值检验通过两个模型的可绝系数 、调整可决系数 、T检验、F检验、P值检验的比较，明显的 ，Y1与K1的关系模型优于Y1与L的关系模型。因此，在以Y1与K1的关系模型为基础模型的条件下，建立二元关系模型。（三）建立Y1与K1和L的二元关系模型其中，Y1——各个城市在同一时期的实际GDP(亿元)K1——各地区资本形成总额(实际投入额)（亿元）L——2006年年末职工人数（万人）利用EVIEWS软件，用OLS方法估计得Dependent Variable: Y1Method: Least SquaresDate: 05/27/10 Time: 17:23Sample: 1 36Included observations: 31Variable Coefficient Std. Error t-Statistic Prob.C -1369.643 303.2218 -4.516968 0.0001K1 1.336796 0.176104 7.590936 0.0000L 6.522268 1.190606 5.478107 0.0000R-squared 0.979900 Mean dependent var 7387.979Adjusted R-squared 0.978464 S.D. dependent var 6367.139S.E. of regression 934.3899 Akaike info criterion 16.60943Sum squared resid 24446367 Schwarz criterion 16.74820Log likelihood -254.4462 F-statistic 682.5040Durbin-Watson stat 1.633165 Prob(F-statistic) 0.000000可见，K1和L的t值显著，且系数符合经济意义。从经济意义上讲，资本每增加一单位，都可以使实际GDP相应增加。另外，修正可决系数为0.978464，F值为682.5040，明显通过了F检验。且K1和L的P检验值为0，均小于0.05,所以通过了P值检验。通过两个模型的可绝系数 、调整可决系数 、T检验、F检验、P值检验的比较，明显的 ，Y1与K1和L的关系模型优于Y1与K1的关系模型。因此，建立二元关系模型更符合实际经济情况。（四）建立非线性回归模型——C-D生产函数。C-D生产函数为： ，对于此类非线性函数，可以采用以下两种方式建立模型。方式1：转化成线性模型进行估计；在模型两端同时取对数，得：在EViews软件的命令窗口中依次键入以下命令：GENR LNY1=log（Y1）GENR LNL=log（L）GENR LNK1=log（K1）LS LNY1 C LNL LNK1则估计结果如图所示。Dependent Variable: LNY1Method: Least SquaresDate: 05/27/10 Time: 17:29Sample: 1 36Included observations: 31Variable Coefficient Std. Error t-Statistic Prob.C 0.242345 0.198180 1.222853 0.2316LNK1 0.666500 0.082707 8.058538 0.0000LNL 0.493322 0.088128 5.597775 0.0000R-squared 0.988755 Mean dependent var 8.504486Adjusted R-squared 0.987951 S.D. dependent var 1.037058S.E. of regression 0.113834 Akaike info criterion -1.416379Sum squared resid 0.362831 Schwarz criterion -1.277606Log likelihood 24.95388 F-statistic 1230.946Durbin-Watson stat 1.295173 Prob(F-statistic) 0.000000可见，K1和L的t值显著，且系数符合经济意义。从经济意义上讲，资本每增加一单位，都可以使实际GDP相应增加。另外，修正可决系数为0.987951，F值为1230.946，明显通过了F检验。且K1和L的P检验值为0，均小于0.05,所以通过了P值检验。通过对以上模型的可决系数 、调整可决系数 、F检验的比较，明显的 ，该模型最优。因此，选用该模型为以各城市同一时期的GDP为被解释变量，以其它可量化横截面数据作为解释变量建立的最优多元线性回归模型。六、总结综上所述，我们采用截面数据拟合的模型成功的反映各城市同一时期的GDPY1与就业人数L（万人）和各地区剔除价格影响因素即商品零售价格指数P（上年=100）的资本形成总额K1(亿元）间的数量关系，是一个成功的模型。从模型中看出，各城市同一时期的GDPY1与就业人数L（万人）和各地区剔除价格影响因素即商品零售价格指数P（上年=100）的资本形成总额K1(亿元）有非常密切的关系，与柯布-道格拉斯 （C-D）生产函数密切吻合，验证了柯布-道格拉斯 （C-D）生产函数的正确。参考文献：1、《国民经济核算——国家统计年鉴2007》2、《价格指数——国家统计年鉴2007》3、《中国国内生产总值核算》,作者：许宪春 编著，
第一节 一元线性回归方程的显著性检验由上面的讨论知，对于任何的两个变量x和Y的一组观测数据（ ）（i=1,2,……,n）按公式（10）和（11）都可以确定一个回归方程 然而事前并不知道Y和x之间是否存在线性关系，如果两个变量Y和x之间并不存在显著的线性相关关系，那么这样确定的回归方程显然是毫无实际意义的．因此，我们首先要判断Y和x是否线性相关，也就是要来检验线性假设 是否可信，显然，如果Y和x之间无线性关系，则线性模型的一次项系数 =0；否则 0．所以检验两个变量之间是否存在线性相关关系，归根到底是要检验假设 根据现行假设对数据所提的要求可知，观察值 ， ，…… 之间的差异，是有两个方面的原因引起的：（1）自变量x的值不相同;（2）其它因素的影响，检验 是否成立的问题，也就是检验这两方面的影响哪一个是主要的问题．因此，就必须把他们引起的差异从Y的总的差异中分解出来．也就是说，为了选择适当的检验统计量，先导出离差平方和的分解因式．[6]一、离差平方和的分解公式观察值 （i=1,2,……,n），与其平均值 的离差平方和，称为总的离差平方和，记作 因为 = 其中：=2 =2 =2 =2 所以= 由于 中的 ， 为（10）和（11）所确定．即它们满足正规方程组（9）的解．因此定义项= 于是得到了总离差平方和的分解公式： 其中（19）是回归直线 上横坐标为 的点的纵坐标，并且 的平均值为 ， 是 这n个数的偏差平方和，它描述了 的离散程度，还说明它是来源于 的分散性，并且是通过x对于Y的线性影响而反映出来的，所以， 称为回归平方和而 = 它正是前面讨论的 的最小值，在假设（1）式的条件下它是由不可观察的随机变量 引起的，也就是说，它是由其它未控制的因素及试验误差引起的，它的大小反映了其它因素以及试验误差对实验结果得影响．我们称 为剩余平方和或残差平方和．[7]二、 、 的性质及其分布由以上分析可知，要解决判断Y和x之间是否存在线性相关关系的问题，需要通过比较回归平方和和剩余平方和来实现．为了更清楚地说明这一点，并寻求出检验统计量，考察估计量 ， 的性质及其分布．（一） 的分布 由（14）式可知= 在 相互独立且服从同一分布 的假定下由（2）知 ， ，…… 是P个相互独立的随机变量，且 （i=1,2,……，n）所以他们的平均值 的数学期望为：因为 是 的线性函数，且有：这说明 是 的无偏估计量且 的方差为所以 即: 同样可证，对于任意给定的 其对应的回归值 （它是 的点估计）适合( ， （二） 方差 的估计及分布因为 = = = 由 、 及 可得 = 又由于 及E(L)，E(U)得=E(L)+E(U) =（n-2） 从而,说明了 = = 是 的无偏估计量，由此可见，不论假设 成立与否， 是 的一个无偏估计量，而 仅当假设成立时，才是 的一个无偏估计量，否则它的期望值大于 ．说明比值 （20）在假设成立时有偏大倾向，也就是说，如果F取得值相当大，则没有理由认为x和Y之间有线性相关关系，也就是下面我们将采用F作为检验统计量的原因．另外，由于 ， 是 的最小二乘估计，由（8）式可知=0 ， =0这表明 中的n个变量 ， …… 之间有两个独立的线性约束条件，