回归分析（spss线性回归分析结果解读）

回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。

在回归分析中，把变量分为两类。一类是因变量，它们通常是实际问题中所关心的一类指标，通常用Y表示；而影响因变量取值的另一类变量称为自变量，用X来表示。

回归分析研究的主要问题是：

（1）确定Y与X间的定量关系表达式，这种表达式称为回归方程；

（2）对求得的回归方程的可信度进行检验；

（3）判断自变量X对因变量Y有无影响；

（4）利用所求得的回归方程进行预测和控制。

例如，如果要研究质量和用户满意度之间的因果关系，从实践意义上讲，产品质量会影响用户的满意情况，因此设用户满意度为因变量，记为Y；质量为自变量，记为X。通常可以建立下面的线性关系： Y=A+BX+§

式中：A和B为待定参数，A为回归直线的截距；B为回归直线的斜率，表示X变化一个单位时，Y的平均变化情况；§为依赖于用户满意度的随机误差项。

对于经验回归方程： y=0.857+0.836x

回归直线在y轴上的截距为0.857、斜率0.836，即质量每提高一分，用户满意度平均上升0.836分；或者说质量每提高1分对用户满意度的贡献是0.836分。

小知识：

回归分析，译自于“regression”。

这门课最早源自于一个神奇的生物遗传现象：如果父母双亲都比较高一些，那么生出的子女身高会低于父母的平均身高；反之，如果父母双亲都比较矮一些，那么生出的子女身高要高于父母平均身高。

这两种情况都体现着一种规律，生物内部遗传的话，身高总归是一个稳定值，当父母本身就高时，为了保持这种稳定，生出的子女通过调节，不至于一直长高；同样的，父母本身不高，生出的子女为了不至于越长越矮，通过遗传的调节，会高于父母平均身高，这本身就是一种“回归”。

在我们大家熟知的“线性回归分析”中，我们的目的就是对于一堆散点，我们想找一条直线来拟合这个规律，希望它可以穿过尽可能的点。也就是希望它尽可能靠近这条直线，类似于希望我们人类的身高稳定于某个数值，而生物内部的遗传已经决定了这个机制，所以大自然很神奇啊！