回歸方法分析自變數和因變數

⑴ 請問採用回歸分析的時候，自變數和因變數的測量單位必須是一樣的嗎

單位不需要一致。當自變數和因變數單位不一致的時候，需要注意對模型的解釋不同。

⑵ 多個自變數多個因變數怎麼做逐步回歸分析

這個做多元線性回歸好了，其實是二元線性回歸，自變數2個A和B，因變數C。

一元線性回歸方程y=ax+b，系數a＞0，y與x正相關，x高時，y高，x低時，y低，a＜0相反。

二元線性回歸方程是y=ax1+bx2+c，x1，x2對應本題的A、B變數。

如果系數a,b都是正的，那麼就是A高B高時，C也會高。

如果系數是負值，那麼就A高B高時，C會低。

如果系數a為正，b為負，那麼A高，B低，C會高，但A低B高，效應相減，C的高低就難確定了。

同理A為負，B為正的情況。

操作步驟：分析-回歸-線性，C為因變數，A，B為自變數，如果anova表的P值小於0.05，回歸方法成立，可以按以上步驟進行。

如果大於0.05，說明線性模型不成立，那就需要考慮非線性模型進行相關分析啦，道理一樣。

⑶ 回歸分析中能有幾個自變數和因變數啊

一般是一個因變數，自變數不限。你能有多少個自變數啊，不同的軟體對自變數個數的限制不同。一般來說，自變數的個數不宜超過樣本個數。

⑷ 回歸分析中自變數和因變數的確定

所有的自變數和因變數都是業務本質決定的。
例如，先有貸款，才會有不良貸款，接著才會有因無法償還不良貸款導致貸款余額高。所以，自變數是不良貸款。
例如，只有先賺錢，才能消費，所以國民收入是自變數

⑸ 回歸分析的基本步驟是什麼

回歸分析：

1、確定變數：明確預測的具體目標，也就確定了因變數。如預測具體目標是下一年度的銷售量，那麼銷售量Y就是因變數。通過市場調查和查閱資料，尋找與預測目標的相關影響因素，即自變數，並從中選出主要的影響因素。

2、建立預測模型：依據自變數和因變數的歷史統計資料進行計算，在此基礎上建立回歸分析方程，即回歸分析預測模型。

3、進行相關分析：回歸分析是對具有因果關系的影響因素（自變數）和預測對象（因變數）所進行的數理統計分析處理。只有當自變數與因變數確實存在某種關系時，建立的回歸方程才有意義。

因此，作為自變數的因素與作為因變數的預測對象是否有關，相關程度如何，以及判斷這種相關程度的把握性多大，就成為進行回歸分析必須要解決的問題。進行相關分析，一般要求出相關關系，以相關系數的大小來判斷自變數和因變數的相關的程度。

4、計算預測誤差：回歸預測模型是否可用於實際預測，取決於對回歸預測模型的檢驗和對預測誤差的計算。回歸方程只有通過各種檢驗，且預測誤差較小，才能將回歸方程作為預測模型進行預測。

5、確定預測值：利用回歸預測模型計算預測值，並對預測值進行綜合分析，確定最後的預測值。

Logistic Regression邏輯回歸

邏輯回歸是用來計算「事件=Success」和「事件=Failure」的概率。當因變數的類型屬於二元（1 / 0，真/假，是/否）變數時，應該使用邏輯回歸。這里，Y的值為0或1，它可以用下方程表示。

odds= p/ (1-p) = probability of event occurrence / probability of not event occurrence

ln(odds) = ln(p/(1-p))

logit(p) = ln(p/(1-p)) =b0+b1X1+b2X2+b3X3....+bkXk

在這里使用的是的二項分布（因變數），需要選擇一個對於這個分布最佳的連結函數。它就是Logit函數。在上述方程中，通過觀測樣本的極大似然估計值來選擇參數，而不是最小化平方和誤差（如在普通回歸使用的）。

以上內容參考：網路-回歸分析

⑹ 誰能幫忙講解一下分類變數的回歸分析自變數和因變數都為分類變數，請問怎樣用SpSS做回歸分析

1、首先打開一份要進行線性回歸分析的SPSS數據，然後點擊【分析-回歸-線性】。