回归分析应用广泛，既可以建立输出模型、预测趋势，又可以用来探索影响因素，同时又是最基础、最常见的数据分析方法。要说一定要学会一种分析方法，那回归分析无疑在首推名单之列，因此本文就来讲一讲回归分析。

分类

回归分析是用于研究变量间的影响关系情况，实质上就是研究X对Y的影响关系情况。在线性回归分析中，根据回归模型中X的个数，可将其分为一元线性回归和多元线性回归。

按照Y的多少，又可分为简单回归分析和多重回归分析。

按照X和Y之间的关系类型，可分为线性回归分析和非线性回归分析。

当然这些分类不能完全概括回归分析的类型，在《19种回归分析你知道几种呢？》一文中SPSSAU已经为大家详细的介绍过回归分析的各种分类，以及每种回归分析的用途，这里就不再赘述了。

分析步骤

了解了回归分析的分类之后，我们再以线性回归为例，说一说一般做回归分析的步骤，具体步骤如下：

第一步：首先确定X、Y。

由于回归分析是要分析一个变量如何随其他变量的变化而变化，因此第一步应该确定哪些变量是X（解释变量），哪些是Y（被解释变量），通常X为定量数据，Y定量数据。将对于的题目拖拽到右侧，点击开始分析，即可生成结果。

注意：回归分析之前，可使用SPSSAU提供的箱盒图查看是否有异常数据，或使用散点图直观展示X和Y之间的关联关系。

第二步:对模型情况进行分析

包括模型拟合情况(比如R平方为0.3,则说明所有X可以解释Y 30%的变化原因),模型共线性问题(VIF值小于5则说明无多重共线性),是否通过F检验(F检验用于判定是否X中至少有一个对Y产生影响,如果呈现出显著性,则说明所有X中至少一个会对Y产生影响关系)。

第三步:分析X的显著性

如果显著(p值判断),则说明具有影响关系,反之无影响关系。

第四步:判断X对Y的影响关系方向

回归系数B值大于0说明正向影响,反之负向影响。

第五步:其它

比如对比影响程度大小(回归系数B值大小对比X对Y的影响程度大小)。

回归分析之后，可使用正态图观察和展示保存的残差值正态性情况；或使用散点图观察和展示回归模型异方差情况【残差与X间的散点完全没有关系则无异方差】。

上图是回归分析保存的残差值与自变量作散点图，用于检测异方差性，可以看出，数据基本上没有规律可循，X变化时，Y并不会变大或者变小，因而说明无关联性，也即说明没有异方差性。

具体案例

背景：研究“淘宝客服服务态度”，“淘宝商家服务质量”分别与“淘宝忠诚度”之间的关系情况，此句话中明显的可以看出“淘宝客服服务态度”，“淘宝商家服务质量”这两项为 X；而“淘宝忠诚度”为 Y。

1、确定X，Y。

• 如果有特别要求，希望保存残差值和预测值，则可将“保存残差和预测值”这项打勾即可，通常情况并不需要。

2、SPSSAU输出结果

其他说明

在实际分析中很可能会出现一些奇怪的现象，比如：有回归影响关系，但是却没有相关关系；或者负向影响关系，但却是正向相关关系。这种情况要怎么办呢？

从分析的角度看，相关分析是研究有没有关系，回归分析是研究影响关系。明显地，相关分析是基础，然后再进行回归分析。首先需要知道有没有相关关系；有了相关关系，才可能有回归影响关系；因而应该先进行相关分析，完成相关分析后，确认有了相关分析，再进行回归分析。

在相关性分析时,结果是两个变量之间的关系，其他变量的影响是不被考虑的；但是，进行回归分析时，如果入选的变量不止一个，那么入选变量之间可以产生影响。因此，普通相关与回归之中的回归系数会有比较大的差别。

• 如果有回归影响关系，没有相关关系【此时建议以‘没有相关关系作为结论’】

• 有负向影响关系，正向相关关系【此时建议以‘有相关关系但没有回归影响关系作为结论’】