一、对数回归分析和线性回归分析？

对数回归分析是非线性回归分析，线性回归分析是直线型的。

二、spss回归分析的各项参数怎么看？

首先来说明各个符号，B也就是beta，代表回归系数，标准化的回归系数代表自变量也就是预测变量和因变量的相关，为什么要标准化，因为标准化的时候各个自变量以及因变量的单位才能统一，使结果更精确，减少因为单位不同而造成的误差。T值就是对回归系数的t检验的结果，绝对值越大，sig就越小，sig代表t检验的显著性，在统计学上，sig<0.05一般被认为是系数检验显著，显著的意思就是你的回归系数的绝对值显著大于0，表明自变量可以有效预测因变量的变异，做出这个结论你有5%的可能会犯错误，即有95%的把握结论正确。

回归的检验首先看anova那个表，也就是F检验，那个表代表的是对你进行回归的所有自变量的回归系数的一个总体检验，如果sig<0.05,说明至少有一个自变量能够有效预测因变量，这个在写数据分析结果时一般可以不报告

然后看系数表，看标准化的回归系数是否显著，每个自变量都有一个对应的回归系数以及显著性检验

最后看模型汇总那个表，R方叫做决定系数，他是自变量可以解释的变异量占因变量总变异量的比例，代表回归方程对因变量的解释程度，报告的时候报告调整后的R方，这个值是针对自变量的增多会不断增强预测力的一个矫正（因为即使没什么用的自变量，只要多增几个，R方也会变大，调整后的R方是对较多自变量的惩罚），R可以不用管，标准化的情况下R也是自变量和因变量的相关。

三、什么叫线性回归、非线性回归。回归分析是什么。线性拟合、非线性拟合，参数拟合、非参数拟合？

线性回归就是线性拟合，在统计的意义上是等价的。拟合就是为了找到那条，对所有点来说，残差平方和最小的直线，线性回归也是。 回归是国外的讲法叫regression，命名的统计学家是想说，这些点都围绕在一条看不见的直线，直线周围的点若偏离的大了感觉就有回归直线，向直线靠拢的趋势。

拟合是国内的传统讲法，用一条直线代替样本点，以达到预测的作用。 最后说一下线性这个概念，比如拟合每天学习时间和高考成绩，可能就是线性的。 但若拟合收入高低和幸福指数，那很可能就不是了，因为不是说赚的越高越高兴，而且可能到了很高的水平，收入增加了很多，却幸福不起来，数据有可能是指数，有可能是二次函数，这些都归为非线性。

主要是线性这个性质非常友好，大家喜闻乐见，所以有了很多转换公式，把非线性的数据变换成线性，拟合出来再反变换回去。

四、回归分析三线表需要列出哪些参数？

这个表格比较多，包括KMO检验，方差解释率表格，旋转后因子载荷系数值这三个表格一般是需要的，有时候还需要碎石图。网页版本SPSS就是SPSSAU这个里面全部都会有，关键是里面都有智能化文字分析可以直接使用，表格也都是全部整理好的直接下载到EXCEL就能使用。

五、单因素回归分析和多因素逻辑回归分析？

一、概念不同

1、单因素统计：单因素分析（monofactor analysis）是指在一个时间点上对某一变量的分析。

2、多因素回归分析：指在相关变量中将一个变量视为因变量，其他一个或多个变量视为自变量，建立多个变量之间线性或非线性数学模型数量关系式并利用样本数据进行分析的统计分析方法。

二、方法不同

1、单因素统计：试验单元编号、随机分组。

2、多因素回归分析：引进虚拟变量的回归分析、曲线回归、多元回归模型。

三、应用方向不同

1、单因素统计：单因素的盆栽试验；温室内、实验室内的实验等，应用该设计，若实验中获得的数据各处理重复数相等，采用重复数相等的单因素资料方差分析法分析，若实验中获得的数据各处理重复数不相等，则采用重复数不等的单因素资料方差分析法分析。

2、多因素回归分析：影响因变量的因素有多个，这种多个自变量影响一个因变量的问题可以通过多元回归分析来解决。

例如，经济学知识告诉我们，商品需求量Q除了与商品价格P有关外，还受到替代品的价格、互补品的价格，和消费者收入等因素，甚至还包括商品品牌Brand这一品质变量(品质变量不能用数字来衡量，需要在模型中引入虚拟变量)的影响

六、二元回归分析回归系数的分析？

二元回归分析中的回归系数越大说明变量之间的相关性越强，反之越弱。

七、根据spss回归分析结果怎么得出回归分析方程？

根据spss回归分析结果得出回归方程的步骤如下：

1. 打开spss软件中的回归分析模块，并导入所需要进行回归分析的数据。

2. 在回归分析模块中，点击“Analyze” -> “Regression” -> “Linear”。

3. 在弹出的“Linear Regression”窗口中，先将需要进行回归分析的因变量和自变量加入分析窗口中。同时，在“Statistics”子菜单中勾选需要的回归分析统计量指标（如系数、显著性水平、统计量等）。

4. 点击“OK”按钮，SPSS将开始计算各项统计指标，并在输出窗口中给出回归方程所需的参数。

5. 从输出窗口中找到“Model Summary”表格，其中的“R”值表示整个模型的拟合优度，即R方值。

6. 从输出窗口中找到“Coefficients”表格，其中各自变量的系数表明了这些自变量对于因变量的影响程度和方向。将这些系数整理在一起即为回归方程。整理的方式一般是：y = b0 + b1x1 + b2x2 +…+ bnxn。

其中，y表示因变量，b0表示常数项，b1表示第一个自变量的回归系数，x1表示第一个自变量，以此类推。

7. 编写出回归方程后，需要对回归方程进行解释和分析，包括判断对应因变量和自变量之间的关系及显著性等。

八、回归分析的结果及分析？

回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。

如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。

如果回归分析中包括两个或两个以上的自变量，且自变量之间存在线性相关，则称为多重线性回归分析。

九、怎么进行回归分析，建立回归模型？

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。

十、回归分析表解释？

回归分析（regression analysis)指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。

回归分析表是将一系列的影响和这些影响带来的结果进行一个全面的拟合，然后将拟合出的方程应用到类似或者相同的事件中，然后进行预测回归。其实就是朝着一个理想或者是平衡的状态趋势发展，然后回归到某些影响因素，从而找出影响结果的规律。这个表格不但能够看到正常的数据，还能看到原因和趋势。