回归参考指标(线性回归指标设置？)
1. 线性回归指标设置？
线性回归指标的设置是通过斜率来进行线性回归指标设置的。
2. 在线SPSS-SPSSAU回归分析指标怎么看？
1、使用SPSSAU在线分析：首先找到回归分析
2、把想要分析的题项拖拽到指定的选框中，点击即可生成数据。（有不会的问题可以点击右侧的“灯泡”查看帮助手册）
3、得到结果，以及智能文字分析
结果解读
1、回归分析结果指标解读：
这里主要关注P值，小于0.05时有意义。
B值即回归系数值，大于0说明正向影响，小于0说明负向回归。
2、分析步骤：
①、首先分析模型拟合情况，即通过R平方值分析模型拟合情况，以及可对VIF值进行分析，判断模型是否存在共线性问题【共线性问题可使用岭回归或者逐步回归进行解决】；
②、写出模型公式(可选)；
③、分析X的显著性；如果呈现出显著性(P值小于0.05或0.01)；则说明X对Y有影响关系，接着具体分析影响关系方向；
④、结合回归系数B值，对比分析X对Y的影响程度(可选)；
⑤、对分析进行总结。
3、进一步模型分析：
①、多重共线性：可查看VIF值，如果全部小于10（严格是5），则说明模型没有多重共线性问题，模型构建良好；反之若VIF大于10说明模型构建较差。如果呈现出共性问题，可使用逐步回归分析。
②、自相关性：如果D-W值在2附近（1.7~2.3之间），则说明没有自相关性，模型构建良好，反之若D-W值明显偏离2，则说明具有自相关性，模型构建较差。自相关问题产生时建议对因变量Y数据进行查看。
③、残差正态性：在分析时可保存残差项，然后使用“正态图”直观检测残差正态性情况，如果残差直观上满足正态性，说明模型构建较好，反之说明模型构建较差。如果残差正态性非常糟糕，建议重新构建模型，比如对Y取对数后再次构建模型等。
④、异方差性：可将保存的残差项，分别与模型的自变量X或者因变量Y，作散点图，查看散点是否有明显的规律性，比如自变量X值越大，残差项越大/越小，这时此说明有规律性，模型具有异方差性，模型构建较差。如果有明显的异方差性，建议重新构建模型，比如对Y取对数后再次构建模型等。
3. 评价回归直线方程拟合优度的指标？
方程显著性检验(F检验)，变量显著性检验(t检验) 直接通过线性回归模型就能给出来了，也就是对构建的回归模型是否有效的一个检验。
而同时还能输出一个调整的R2，也算是对回归模型拟合度的一个检验但是如果要专业的检验回归模型的拟合优度，那就在进行回归分析的时候 选择保存回归的预测值，然后比较预测值和实际值之间的差异，通过这个差异来看构建的模型的拟合度
4. 回归系数估计值变化的含义？
中文名称：回归系数英文名称：regression coefficient定义：回归分析中度量依变量对自变量的相依程度的指标，它反映当自变量每变化一个单位时，依变量所期望的变化量。应用学科：遗传学（一级学科）；群体、数量遗传学（二级学科） regression coefficient 在回归方程中表示自变量x 对因变量y 影响大小的参数。 回归系数越大表示x 对y 影响越大，正回归系数表示y 随x 增大而增大，负回归系数表示y 随x 增大而减小。 回归方程式^Y=bX+a中之斜率b,称为回归系数,表X每变动一单位,平均而言，Y将变动b单位。 编辑本段 回归系数的理解 1、相关系数与回归系数：A 回归系数大于零则相关系数大于零 B 回归系数小于零则相关系数小于零 （它们的取值符号相同） 2、回归系数：由回归方程求导数得到， 所以， 回归系数>0，回归方程曲线单调递增； 回归系数<0，回归方程曲线单调递j减； 回归系数=0，回归方程求最值（最大值、最小值）
