搜索
多元回归分析吴艳什么是回归分析用一定的数学模型来表述变量相关关系的方法。一元线性回归最简单的回归是只涉及一个因变量和一个自变量一元线性回归，此时的表达式为：y=0+1x+y为因变量，x为自变量或预测变量，0为截距即当x=0时y的值，1为斜率即1个单位的x变化对应1个单位y的变化。是误差，服从N(0,σ2)的正态分布，不同观察值之间是相互独立。多元线性回归(MultipleRegression)当自变量由一个增加到多个，用于表述多个自变量与单个因变量之间线性关系的方程称作多元线性回归。多元线性回归是一元线性回归的扩展，表达式为：y=0+1x1+2x2+回归分析因变量：1个连续变量自变量：多个连续变量如：福利措施、同辈关系、适应学习等对组织效能的影响福利措施、同事关系、适应学习等对组织效能的影响用得最多结果三个预测变量与组织效能的多元相关系数是0.734,决定系数（R方）为0.538；因为只有一个回归模型，R方更改与R方相同，表示三个预测变量一共可以解释53.8%的组织效能。DW检验可以用于检验模型中是否存在自我相关，主要用于纵向数据；若是横向数据，用处不大；其值在2左右比较好，表示相关不大用于检验整个回归模型是否显著；这里P0.001,表示回归方程中至少有一个回归系数不等于0,即至少有一个自变量对因变量有影响，具体哪个变量有影响，要进一步看其他结果。回归系数及检验组织效能=0.180福利措施+0.264同侪关系+0.369适应学习在回归分析中，若自变量间中/高相关，则某些与因变量有关系的变量会被排除在回归模型之外容差及方差膨胀系数（VIF）检验多元回归分析的共线性问题：容差越接近0,共线性越严重；VIF大于10,共线性严重多元共线性即数学上的线性相依，指在回归模型中预测变量本身间有很高的相关。有很多评价指标，如容差（容忍度）、VIF，特征值特征值若小于0.01,预测变量间可能存在多元共线性；方差比例：若有两个或多个自变量在一个特征值上高于0.8或0.7以上，表示可能存在多元共线性整理成表格表1福利措施、同侪关系、适应学习对组织效能的影响Beta福利措施0.1805.513***同侪关系0.2648.166***适应学习0.36912.558***R=0.734R2=0.538F=464.53***t阶层回归如第一层自变量为福利措施第二层为同辈关系第三层为适应学习练习“组织效能.sav”