回归方法分析自变量和因变量

⑴ 请问采用回归分析的时候，自变量和因变量的测量单位必须是一样的吗

单位不需要一致。当自变量和因变量单位不一致的时候，需要注意对模型的解释不同。

⑵ 多个自变量多个因变量怎么做逐步回归分析

这个做多元线性回归好了，其实是二元线性回归，自变量2个A和B，因变量C。

一元线性回归方程y=ax+b，系数a＞0，y与x正相关，x高时，y高，x低时，y低，a＜0相反。

二元线性回归方程是y=ax1+bx2+c，x1，x2对应本题的A、B变量。

如果系数a,b都是正的，那么就是A高B高时，C也会高。

如果系数是负值，那么就A高B高时，C会低。

如果系数a为正，b为负，那么A高，B低，C会高，但A低B高，效应相减，C的高低就难确定了。

同理A为负，B为正的情况。

操作步骤：分析-回归-线性，C为因变量，A，B为自变量，如果anova表的P值小于0.05，回归方法成立，可以按以上步骤进行。

如果大于0.05，说明线性模型不成立，那就需要考虑非线性模型进行相关分析啦，道理一样。

⑶ 回归分析中能有几个自变量和因变量啊

一般是一个因变量，自变量不限。你能有多少个自变量啊，不同的软件对自变量个数的限制不同。一般来说，自变量的个数不宜超过样本个数。

⑷ 回归分析中自变量和因变量的确定

所有的自变量和因变量都是业务本质决定的。
例如，先有贷款，才会有不良贷款，接着才会有因无法偿还不良贷款导致贷款余额高。所以，自变量是不良贷款。
例如，只有先赚钱，才能消费，所以国民收入是自变量

⑸ 回归分析的基本步骤是什么

回归分析：

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。

Logistic Regression逻辑回归

逻辑回归是用来计算“事件=Success”和“事件=Failure”的概率。当因变量的类型属于二元（1 / 0，真/假，是/否）变量时，应该使用逻辑回归。这里，Y的值为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

在这里使用的是的二项分布（因变量），需要选择一个对于这个分布最佳的连结函数。它就是Logit函数。在上述方程中，通过观测样本的极大似然估计值来选择参数，而不是最小化平方和误差（如在普通回归使用的）。

以上内容参考：网络-回归分析

⑹ 谁能帮忙讲解一下分类变量的回归分析自变量和因变量都为分类变量，请问怎样用SpSS做回归分析

1、首先打开一份要进行线性回归分析的SPSS数据，然后点击【分析-回归-线性】。