如何使用IBM SPSS Statistics确定建立的回归模型能用于预测分析

当需要研究一组随机变量与另一组变量的关系时，通常会运用回归分析。通过回归分析构建数学模型，探究两种或两种以上变量之间是否存在关系，若存在关系还可进一步预测未来的数据。

当自变量有多个而因变量只有一个时，则可构建spss多元线性回归分析，此时计算量较大，因此通过IBM SPSS Statistics（win）能更为准确、便捷地进行分析。

一、使用的数据

本文将使用一组人均消费支出额、人均工资性收入和人均非工资性收入的数据为例，使用IBM SPSS Statistics进行多元线性回归分析，分析这一组数据构建的模型是否显著，是否能进行预测分析。

如图1，因变量为人均消费支出额，两组自变量分别为人均工资性收入、人均非工资性收入。构建多元线性回归分析，分析两组自变量是否与人均消费支出额存在关系。

图1：示例数据

二、应用线性回归分析

在IBM SPSS Statistics中按照分析-回归-线性的顺序展开回归分析对话框。

图2： 线性回归分析功能

在展开的线性回归对话框中，将人均消费支出额添加入因变量一栏中，将人均工资性收入和人均非工资性收入添加入自变量方框中，点击确定，即可得到分析结果。

图3：选择变量

三、对数据进行分析

通过IBM SPSS Statistics的线性回归分析功能得出分析结果后，可对得出的数据进行具体分析。从图4的模型摘要可知回归模型拟合程度R2=0.992，

 

接近1，说明该模型拟合程度高。

图4：模型摘要数据

如图5所示，可知F统计量的值为340.676，对应的显著性小于0.01小于0.05，说明模型整体显著。

图5：ANOVA分析数据

图6的系数表是回归模型的输出结果，回归系数的T检验可以直接通过显著性的值与0.05进行比较，若显著性小于0.05，说明回归系数通过了T检验，回归系数不为0。从系数表可知人均工资性收入x1和人均非工资性收入x2的显著性均小于0.05，通过了T检验。

由此构建出的模型为：

 

图6：系数数据

本文通过IBM SPSS Statistics建立的回归模型可以通过以上所说的三种检验，说明可用于预测分析。也就是说当知道某年的人均工资性收入和人均非工资性收入后可预测当年的人均消费支出额。