毕业论文的多元回归分析步骤

步骤如下：

1、把自己需要分析的数据导入到SPSS，点击左上角的文件进行打开，选择弹出对话框中的数据。2、点击工具栏上的分析，依次选择回归，然后选择“多项Logistic” 多元线性回归分析和logistic回归分析都可以的。3、把变量依次移动到右侧的因变量、因子和协变量框内。4、就可以在度量标准中看到度量数据。5、再对多项逻辑回归的模型、统计量、条件、选项和保存进行设置。6、点击确定，即可用SPSS把多因素Logistic回归分析做好。多因素logistic回归是指包含的研究因素较多，如二项logistic回归、多项Logistic回归等。

一、回归分析主要内容：

1、从一组数据出发，确定某些变量之间的定量关系式，即建立数学模型并估计其中的未知参数。估计参数的常用方法是最小二乘法。

2、对这些关系式的可信程度进行检验。

3、在许多自变量共同影响着一个因变量的关系中，判断哪个（或哪些）自变量的影响是显著的，哪些自变量的影响是不显著的，将影响显著的自变量加入模型中，而剔除影响不显著的变量，通常用逐步回归、向前回归和向后回归等方法。

4、利用所求的关系式对某一生产过程进行预测或控制。回归分析的应用是非常广泛的，统计软件包使各种回归方法计算十分方便。

二、回归分析的步骤：

1、确定变量

明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。

2、建立预测模型

依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。

3、进行相关分析

回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当自变量与因变量确实存在某种关系时，建立的回归方程才有意义。

因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。

4、计算预测误差

回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。

5、确定预测值

利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。

扩展资料：

回归分析法的有效性和注意事项：

1、有效性：

用回归分析法进行预测首先要对各个自变量做出预测。若各个自变量可以由人工控制或易于预测，而且回归方程也较为符合实际，则应用回归预测是有效的，否则就很难应用；

2、注意事项：

为使回归方程较能符合实际，首先应尽可能定性判断自变量的可能种类和个数，并在观察事物发展规律的基础上定性判断回归方程的可能类型；其次，力求掌握较充分的高质量统计数据，再运用统计方法，利用数学工具和相关软件从定量方面计算或改进定性判断。

参考资料来源：百度百科——回归分析

来看看SPSSAU的分析结果，格式规范并且更易解读。

第一步：首先对模型整体情况进行分析

包括模型拟合情况（R²），是否通过F检验等。

由上图可知，模型R²值为0.402，意味着平台交互性,教学资源,课程设计,课程实施可以解释学生在线学习课程满意度的40.2%变化原因。回归模型通过F检验(F=49.628，P<0.05)，说明至少一个变量会对满意度产生影响关系。

第二步：分析X的显著性

分析X的显著性（P值），如果呈现出显著性，则说明X对Y有影响关系。如果不显著，则应剔除该变量。

可以看到，四个解释变量对满意度的显著性分析P值均小于0.05，说明X对Y均有显著性影响关系。

第三步：判断X对Y的影响关系方向及影响程度

结合回归系数B值，对比分析X对Y的影响程度。B值为正数则说明X对Y有正向影响，为负数则说明有负向影响。

通过回归系数来看，模型中四个解释变量的B值分别为0.110、0.150、0.271、0.079。说明平台交互性，教学资源，课程设计，课程实施对满意度均呈现出显著的正向影响关系。

第四步：写出模型公式

模型公式为：满意度=1.600 + 0.110*平台交互性 + 0.150*教学资源 + 0.271*课程设计 + 0.079*课程实施

第五步：对分析进行总结

SPSSAU也会提供智能分析建议，方便分析人员快速得出分析结果，具体分析如下：