10.1.1.2 输出结果解释

根据题目的要求，我们只需要在Dependent框中选入spovl，Independent框中选入fat即可，其他的选项一律不管。单击OK后，系统很快给出如下结果：

Regression

这里的表格是拟合过程中变量进入/退出模型的情况记录，由于我们只引入了一个自变量，所以只出现了一个模型1（在多元回归中就会依次出现多个回归模型），该模型中fat为进入的变量，没有移出的变量，具体的进入/退出方法为enter。

上表为所拟合模型的情况简报，显示在模型1中相关系数R为0.578，而决定系数R2为0.334，校正的决定系数为0.307。

这是所用模型的检验结果，可以看到这就是一个标准的方差分析表！有兴趣的读者可以自己用方差分析模型做一下，就会发现出了最左侧的一列名字不太一样外，其他的各个参数值都是相同的。从上表可见所用的回归模型F值为12.059，P值为0.002，因此我们用的这个回归模型是有统计学意义的，可以继续看下面系数分别检验的结果。

由于这里我们所用的回归模型只有一个自变量，因此模型的检验就等价与系数的检验，在多元回归中这两者是不同的。

上表给出了包括常数项在内的所有系数的检验结果，用的是t检验，同时还会给出标化/未标化系数。可见常数项和fat都是有统计学意义的，上表的内容如果翻译成中文则如下所示：

模型 未标准化系数 标准化系数 t值 P值 系数b 系数标准误 系数β 0.427 0.202 1 常数 5.097 0.578 11.923 0.000 3.473 0.002 fat 0.700 10.1.2 复杂实例操作

10.1.2.1 分析实例

例10.2：请分析在数据集plastic.sav中变量extrusn、additive、gloss和opacity对变量tear_res的大小有无影响？已知extrusn对tear_res的大小有影响。

显然，这里是一个多元回归，由于除了extrusn确有影响以外，我们不知道另三个变量有无影响，因此这里我们将extrusn放在第一个block，进入方法为enter（我们有把握extrusn一定有统计学意义）；另三个变量放在第二个block，进入方法为stepwise（让软件自动选择判断），操作如下：

1. 2. 3. 4.

Analyze==>Regression==>Liner Dependent框：选入tear_res

Independent框：选入extrusn；单击next钮

Independent框：选入additive、gloss和opacity；Method列表框：

选择stepwise 5.

单击OK钮

10.1.2.2 结果解释

最终的结果如下：

Regression

上面的表格依次列出了模型的筛选过程，模型1用进入法引入了extrusn，然后模型2用stepwise法引入了additive，另两个变量因没有达到进入标准，最终没有进入。上面的表格翻译出来如下：

模型 进入的变量 移出的变量 1 2 extrusn additive 变量筛选方法 进入法 stepwise法（标准：进入概率小于0.05，移出概率大于0.1） 上表是两个模型变异系数的改变情况，从调整的R2可见，从上到下随着新变量的引入，模型可解释的变异占总变异的比例越来越大。

上表是所用两个模型的检验结果，用的方法是方差分析，可见二个模型都有统计学意义。

上表仍然为三个模型中各个系数的检验结果，用的是t检验，可见在模型2中所有的系数都有统计学意义，上表的内容翻译如下：

未标化的系数 标化的系数 B 标准误 Beta .639 P值 模型 1 (常数) t值 5.900 .265 22.278 .000 3.522 .000 extrusion .590 .167