多元线性回归分析spss结果解读_SPSS案例实践笔记：多重线性回归分析

当只考察一个自变量对因变量的影响时，我们称之为简单一元线性回归，如果要多考察一些自变量，此时许多人习惯性将之称为多元线性回归，统计学上建议称之为多重线性回归，避免和多元统计方法冲突。

案例背景介绍

这是mei国50个州关于犯罪率的一组数据，包括人口、面积、收入、文盲率、高中毕业率、霜冻天数、犯罪率共7个指标，现在我们想考察一下州犯罪率和其他因素间的关系。SPSS变量视图如下：

研究目标是各州的犯罪率(因变量)，可能的因素(自变量)是人口、面积、收入、文盲率、高中毕业率、霜冻天数。因变量犯罪率连续数值变量，有多个自变量，从研究目标和数据类型来看，可选用多重线性回归分析。

线性关系初步判断

线性回归要求每个自变量和因变量之间存在线性关系，可以依靠相关分析和散点图来初步判断。

犯罪率与文盲率、霜冻天数、高中毕业率、人口存在较为明显的线性关系，面积和其他变量普遍无关，越冷的地方文盲率越低、高中毕业率越高。

有统计学意义的相关系数依次为：0.703(文盲率)、-0.539(霜冻天数)、-0.488(高中毕业率)、0.344(人口)。除因变量外其他因素两两间相关系数均在0.7以下，因素间没有强相关关系存在，初步提示共线性问题较弱。

以上分析表明，并不是所有因素都有犯罪率存在明显线性关系，如果我们构建多重线性回归，这可能涉及到自变量筛选的问题，可优先选择逐步回归的方法。

共线性问