SPSS 操作中的各种检验统计量和判别准则 （冯登超整理 2011 3.16—3.25） 专题一 回归分析 1 一元线性回归分析 （Analyze->Regression, Linear） (1) 拟合优度检验： 检验样本数据聚集在样本回归直线周围的密集程度，从而判断回归方程对样本数据的代表程度。拟合优度用判定系数R2 实现。102 R。2R 越接近 1，说明回归直线的拟合程度越好。2R 越接近 0，说明回归直线的拟合程度越差。 (2) 回归方程的显著性检验(F 检验) 回归方程的显著性检验是对因变量和所有自变量之间的线性关系是否显著的一种假设检验。如果零假设0H 成立，0:100 H，说明回归总体是无显著线性的，即所有自变量对y 没有显著的线性作用；反之说明回归总体存在线性关系。若 F 值大于临界值显著性水平）(),2,1(apnFa，则拒绝原假设（回归总体无显著线性关系），接受被选假设。若 F 值小于临界值)2,1(nFa， 显著性水平）(ap ，接受原假设，回归总体有显著线性关系。即 在ANOVA 表中，若 Sig<0.05, 有显著差异，（Ho假设为 x,y 之间无显著线性关系），说明自变量 x 和因变量 y 之间确实有线性回归关系。 回归方程的显著性检验只能检验所有回归系数是否与零有显著性差异，若无显著性差异，则接受零假设，回归总体不存在线性关系。 (3) 回归系数的显著性检验（t 检验） 回归系数显著性检验一般采用 t 检验方法。如果双侧 t 检验中，t 的绝对值大于临界值（或者(p
a），则接受原假设，说明 x 对y 没有显著影响。在一元线性回归分析中，回归方程的显著性检验可以代替回归系数的显著性检验，并且 F=t2。但是，在一般的多元回归条件下两种检验要说明的问题不同，作用不同，不能相互替代。 在Coefficients 表中，t 为回归系数检验统计量，Sig 为相伴概率值 p。若 p<0.05，说明回归系数和 0 有显著差别，说明该回归方程有意义。 在Use probalitity of F: 当一个自变量的F 统计量的相伴概率值 Sig<=0.05 时，拒绝 H0，认为该变量对因变量影响是显著的，应该引入回归方程；若一个自变量的F 统计量的Sig>=0.10 时，不能拒绝 Ho,认为该变量对因变量的影响是不显著的，应从回归方程中剔除。 在Use F v alu e 中，表示以回归系数显著性检验中的各自变量的F 统计量作为自变量进入模型或...
