回归分析用于解释变量之间的因果关系的,研究的是自变量和因变量之间关系的方法。比方说研究企业所得税优惠额、净资产收益率、企业规模、年份对于对企业专利产出的影响是否显著,以及影响的大小。通过回归分析就可以研究出来。
线性回归的方式还有输入,步进,除去,后退,前进几种不同的方法,其中最常用的方法是输入和步进的方法,两种方法的区别是输入的方法是一次性的把所有的自变量纳入到回归分析的模型中,去构建一个回归分析模型。步进的方法是用来通过spss自动构建回归方程,把自变量依次一个一个的放入到回归方程中,这样会生成多个回归模型。
另外回归分析还可以分层的方法,分层主要是为了排除控制变量的影响。一般控制变量指的是基本信息的变量,需要排除这些信息的影响。分层的时候第一层放入控制变量,第二层放入自变量。
分析结果的解读:
首先第一个表格为模型摘要表,主要是看自变量对于因变量的解释程度,R方一般在0.8以上,会认为效果比较好,所以该表的解释为:通过上表可以看出R方为0.309,所以说明自变量可以解释30.9%的因变量的信息量。说明自变量对因变量的解释效果不是很好。这种情况下如果导师要求比较严格的话会要求重新做数据的。
该表格为方差表,主要是判断模型整体是否具有显著性,解释为:通过上表可以看出F值为18.768,显著性为0.000,远远小于0.05,所以说明回归方程具有显著性。
通过上表可以看出因变量企业专利产出和自变量(常量)、企业所得税优惠额(TAX)、净资产收益率(ROE)、企业规模(SIZE)之间的关系。首先通过上表看显著性水平,通过上表可以看出只有TAX是显著,其余的变量没有显著性,说明除了TAX变量之外的变量对于因变量PA均没有显著性额影响。所以得出的结论为:
PA = 0.004*TAX
所以说明PA会随着TAX的增长而增长。