#BV# quality:1080;

若视频不清晰请点此观看原视频

线性回归与逻辑回归的区别

线性回归和逻辑回归都是研究因变量的影响因素，但它们应用于不同类型的因变量。

• 线性回归：因变量是连续型的（例如量表题可以看作连续型数据）。如果自变量有多个，就称为多元线性回归，若只有一个自变量，则是简单线性回归。

• 逻辑回归：因变量是分组型的，例如性别、年级等分类变量（对于二分类变量使用二元逻辑回归，对于多分类变量使用多元逻辑回归）。

步骤

1. 对量表维度计算平均值：

   1. 转化 > 计算变量
   2. 目标变量输入维度名称，数字表达式输入mean(维度下第一题 to 维度下最后一题)
      • 例如(题目名称不用手动输入，直接点击左侧对应标签即可)：
   3. 对所有维度执行相同操作。

2. 选择回归分析：在菜单栏中，依次点击“分析” > “回归” > “线性”。

3. 设置变量：在弹出的对话框中，将因变量拖入“因变量”框，将自变量拖入“自变量”框。

4. 选择统计量：点击“统计量”按钮，勾选“共线性诊断”和“德宾-沃森(U)”

5. 生成图表：在“图”选项中输入Y:\*ZRESID; X:\*ZPRED，并勾选直方图(H)和正态概率图（R）。

结果解读

模型摘要

R方： 是自变量（预测变量）对因变量（被预测变量）方差的解释比例。 举例来说，若R方=0.799，意味着预测变量可以解释因变量变化的79.9%。通常，R方大于50%就说明模型具备较好的解释力。 调整后R方： 对R方的修正，考虑了自变量数量的影响。增加自变量时，R方可能增大，即使新增的变量并不具有预测能力。调整后R方通过对不显著变量的惩罚，使得模型拟合度评估更为准确。 德宾-沃森：又称“D-W值”。 用于检测模型残差的自相关性。值接近2表示残差间没有显著的自相关性。若值小于2，表示正自相关，若大于2，表示负自相关。 举个例子，德宾-沃森值为1.972，接近2，说明模型残差之间几乎没有显著自相关性，样本独立性基本通过。

ANOVA

显著性p值小于0.05时，表明至少有一个自变量对因变量有显著影响，意味着模型具有统计学意义。

系数

1. 显著性＜0.05：表示该自变量对因变量有显著影响。若某个变量的显著性大于0.05，则应考虑去除该变量并重新进行回归分析。

2. VIF＜5（有时标准为＜10）：表示不存在多重共线性，结果准确可靠。如果某个变量的VIF值超过此范围，则需考虑去除该变量并重新检验。

3. 回归方程：最终的回归方程为：
   因变量 = ∑B × 自变量

   • B为未标准化的回归系数，加上常量；
   • beta（标准化回归系数）不包括常量。

图

• 直方图：理想的分布呈现“低-高-低”的钟形分布。
• P-P图：数据点应沿对角线分布，表明数据与正态分布的一致性。

word解释

a 预测变量：(常量), 个体创新, 促进因素, 价格价值, 社会影响 b 因变量：使用意愿

根据表格，调整后的R方为0.792，表示预测变量能够解释使用意愿变化的79.2%。德宾-沃森系数为2.018，接近2，表明模型残差之间几乎没有自相关性，因此数据之间具有独立性。模型的P值小于0.05，意味着模型显著，且自变量能够解释因变量的变化。

回归方程为：
使用意愿 = 0.217 * 促进因素 + 0.115 * 社会影响 + 0.416 * 价格价值 + 0.24 * 个体创新

从表格可以看出，所有自变量的显著性均小于0.05，且VIF均小于5，说明不存在多重共线性，模型有效且自变量可以充分解释因变量。