题目
spss 一元线性回归对一组数据（两列）进行一元线性回归,得到如下结果,请问我能得出Y=A+BX么?可靠么?CorrelationsVAR00001 VAR00002VAR00001 Pearson Correlation 1 0.601Sig.(2-tailed) 0.000N 238 238VAR00002 Pearson Correlation 0.601 1Sig.(2-tailed) 0.000N 238 238**.Correlation is significant at the 0.01 level (2-tailed).Variables Entered/Removed(b)Model Variables Entered Variables Removed Method1 VAR00002(a) .Entera.All requested variables entered.b.Dependent Variable:VAR00001Model SummaryModel R R Square Adjusted R Square Std.Error of the Estimate1 0.601 0.361 0.358 0.0411108a.Predictors:(Constant),VAR00002ANOVA(b)Model Sum of Squares df Mean Square F Sig.1 Regression 0.225 1 0.225 133.104 0.000Residual 0.399 236 0.002Total 0.624 237a.Predictors:(Constant),VAR00002b.Dependent Variable:VAR00001Coefficients(a)Model Unstandardized Coefficients Standardized Coefficients t Sig.B Std.Error Beta1 (Constant) 0.001 0.003 0.328 0.743VAR00002 0.879 0.076 0.601 11.537 0.000a.Dependent Variable:VAR00001
spss 一元线性回归
对一组数据（两列）进行一元线性回归,得到如下结果,请问我能得出Y=A+BX么?可靠么?
Correlations
VAR00001 VAR00002
VAR00001 Pearson Correlation 1 0.601
Sig.(2-tailed) 0.000
N 238 238
VAR00002 Pearson Correlation 0.601 1
Sig.(2-tailed) 0.000
N 238 238
**.Correlation is significant at the 0.01 level (2-tailed).
Variables Entered/Removed(b)
Model Variables Entered Variables Removed Method
1 VAR00002(a) .Enter
a.All requested variables entered.
b.Dependent Variable:VAR00001
Model Summary
Model R R Square Adjusted R Square Std.Error of the Estimate
1 0.601 0.361 0.358 0.0411108
a.Predictors:(Constant),VAR00002
ANOVA(b)
Model Sum of Squares df Mean Square F Sig.
1 Regression 0.225 1 0.225 133.104 0.000
Residual 0.399 236 0.002
Total 0.624 237
a.Predictors:(Constant),VAR00002
b.Dependent Variable:VAR00001
Coefficients(a)
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std.Error Beta
1 (Constant) 0.001 0.003 0.328 0.743
VAR00002 0.879 0.076 0.601 11.537 0.000
a.Dependent Variable:VAR00001
对一组数据（两列）进行一元线性回归,得到如下结果,请问我能得出Y=A+BX么?可靠么?
Correlations
VAR00001 VAR00002
VAR00001 Pearson Correlation 1 0.601
Sig.(2-tailed) 0.000
N 238 238
VAR00002 Pearson Correlation 0.601 1
Sig.(2-tailed) 0.000
N 238 238
**.Correlation is significant at the 0.01 level (2-tailed).
Variables Entered/Removed(b)
Model Variables Entered Variables Removed Method
1 VAR00002(a) .Enter
a.All requested variables entered.
b.Dependent Variable:VAR00001
Model Summary
Model R R Square Adjusted R Square Std.Error of the Estimate
1 0.601 0.361 0.358 0.0411108
a.Predictors:(Constant),VAR00002
ANOVA(b)
Model Sum of Squares df Mean Square F Sig.
1 Regression 0.225 1 0.225 133.104 0.000
Residual 0.399 236 0.002
Total 0.624 237
a.Predictors:(Constant),VAR00002
b.Dependent Variable:VAR00001
Coefficients(a)
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std.Error Beta
1 (Constant) 0.001 0.003 0.328 0.743
VAR00002 0.879 0.076 0.601 11.537 0.000
a.Dependent Variable:VAR00001
题目解答
答案
相关分析表（Correlations）表明两个变量的线性相关性较强(r = 0.601)较显著(p = 0.000)：提示两个变量之间在较大的程度上可以进行直线回归.
Model summary表显示线性回归的决定系数Rsquare = 0.361,说明回归的不太好,一部分与回归线偏离太大.
ANOVA表显示直线回归具有很强的显著性(P = 0.000),说明用直线回归是非常合适的.
Coefficients 表显示对于公式"Y = a + bx"来说,a = 0.001,b = 0.879.但是a值的显著性系数太大（0.743 > 0.05）,说明应该在这个公式里面去掉常数项a.
b值的显著性系数说明b值是合适的.
重新做一遍回归,这次去掉常数项.
去掉常数项的方法为
Analyze - Regression - Linear - Options
然后在"Linear regression: Options" 对话框中将“Include constant in equation”项去掉即可.
Model summary表显示线性回归的决定系数Rsquare = 0.361,说明回归的不太好,一部分与回归线偏离太大.
ANOVA表显示直线回归具有很强的显著性(P = 0.000),说明用直线回归是非常合适的.
Coefficients 表显示对于公式"Y = a + bx"来说,a = 0.001,b = 0.879.但是a值的显著性系数太大（0.743 > 0.05）,说明应该在这个公式里面去掉常数项a.
b值的显著性系数说明b值是合适的.
重新做一遍回归,这次去掉常数项.
去掉常数项的方法为
Analyze - Regression - Linear - Options
然后在"Linear regression: Options" 对话框中将“Include constant in equation”项去掉即可.
解析
步骤 1：相关性分析
根据相关分析表（Correlations），VAR00001和VAR00002之间的皮尔逊相关系数为0.601，且显著性水平（Sig.）为0.000，这表明两个变量之间存在显著的线性相关性。
步骤 2：模型摘要
根据模型摘要表（Model Summary），R平方（R Square）为0.361，这表示模型解释了36.1%的因变量（VAR00001）的变异。调整后的R平方（Adjusted R Square）为0.358，这表示模型在控制了变量数量后解释了35.8%的因变量的变异。
步骤 3：方差分析
根据方差分析表（ANOVA），回归模型的F值为133.104，显著性水平（Sig.）为0.000，这表明回归模型在统计上是显著的。
步骤 4：回归系数
根据回归系数表（Coefficients），回归方程为Y = 0.001 + 0.879X，其中0.001是常数项（截距），0.879是自变量VAR00002的回归系数。常数项的显著性水平为0.743，大于0.05，这表明常数项在统计上不显著。
步骤 5：结论
由于常数项在统计上不显著，因此可以考虑去掉常数项，重新进行回归分析。去掉常数项的方法为在SPSS中进行线性回归分析时，在“Options”对话框中将“Include constant in equation”项去掉。
根据相关分析表（Correlations），VAR00001和VAR00002之间的皮尔逊相关系数为0.601，且显著性水平（Sig.）为0.000，这表明两个变量之间存在显著的线性相关性。
步骤 2：模型摘要
根据模型摘要表（Model Summary），R平方（R Square）为0.361，这表示模型解释了36.1%的因变量（VAR00001）的变异。调整后的R平方（Adjusted R Square）为0.358，这表示模型在控制了变量数量后解释了35.8%的因变量的变异。
步骤 3：方差分析
根据方差分析表（ANOVA），回归模型的F值为133.104，显著性水平（Sig.）为0.000，这表明回归模型在统计上是显著的。
步骤 4：回归系数
根据回归系数表（Coefficients），回归方程为Y = 0.001 + 0.879X，其中0.001是常数项（截距），0.879是自变量VAR00002的回归系数。常数项的显著性水平为0.743，大于0.05，这表明常数项在统计上不显著。
步骤 5：结论
由于常数项在统计上不显著，因此可以考虑去掉常数项，重新进行回归分析。去掉常数项的方法为在SPSS中进行线性回归分析时，在“Options”对话框中将“Include constant in equation”项去掉。