回归分析怎么看可能性

第一步：首先对模型整体情况进行分析

包括模型拟合情况（R²），是否通过F检验等。

由上图可知，模型R²值为0401，意味着平台交互性,教学资源,课程设计,课程实施可以解释学生在线学习课程满意度的402%变化原因。回归模型通过F检验(F=49628，P<005)，说明至少一个变量会对满意度产生影响关系。

第二步：分析X的显著性

分析X的显著性（P值），如果呈现出显著性，则说明X对Y有影响关系。如果不显著，则应剔除该变量。

可以看到，四个解释变量对满意度的显著性分析P值均小于005，说明X对Y均有显著性影响关系。

第三步：判断X对Y的影响关系方向及影响程度

结合回归系数B值，对比分析X对Y的影响程度。B值为正数则说明X对Y有正向影响，为负数则说明有负向影响。

通过回归系数来看，模型中四个解释变量的B值分别为0110、0150、0271、0079。说明平台交互性，教学资源，课程设计，课程实施对满意度均呈现出显著的正向影响关系。

5

第四步：写出模型公式

模型公式为：满意度=1600 + 0110平台交互性 + 0150教学资源 + 0271课程设计 + 0079课程实施

6

第五步：对分析进行总结

SPSSAU也会提供智能分析建议，方便分析人员快速得出分析结果。

F检验用来分析用了超过一个参数的统计模型，以判断该模型中的全部或一部分参数是否适合用来估计母体。t检验推论差异发生的概率，从而比较两个平均数的差异是否显著。

F检验对于数据的正态性非常敏感，因此在检验方差齐性的时候，Levene检验,
Bartlett检验或者Brown–Forsythe检验的稳健性都要优于F检验。

F检验还可以用于三组或者多组之间的均值比较，但是如果被检验的数据无法满足均是正态分布的条件时，该数据的稳健型会大打折扣，特别是当显著性水平比较低时。但是，如果数据符合正态分布，而且alpha值至少为005，该检验的稳健型还是相当可靠的。

若两个母体有相同的方差（方差齐性），那么可以采用F检验，但是该检验会呈现极端的非稳健性和非常态性，可以用t检验、巴特勒特检验等取代。

扩展资料

回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当自变量与因变量确实存在某种关系时，建立的回归方程才有意义。

因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。

回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。

正确应用回归分析预测时应注意：

①用定性分析判断现象之间的依存关系；

②避免回归预测的任意外推；

③应用合适的数据资料。

参考资料来源：百度百科-回归分析

通常的F检验例子包括：

1、假设一系列服从正态分布的母体，都有相同的标准差。这是最典型的F检验，该检验在方差分析（ANOVA）中也非常重要。

2、假设一个回归模型很好地符合其数据集要求。

通常的t检验：

(1) 已知一个总体均数；

(2) 可得到一个样本均数及该样本标准差；

(3) 样本来自正态或近似正态总体

t检验的前提是方差齐，只有方差齐了，t检验的结果才反应两组数据的是否有差异，否则如果方差不齐的话，会把组内的差异也考虑进去，所以判定的概率就更宽松。

而F检验其实就是看组间差异和组内差异的比较，所以本质上和t检验方差齐的概念相似。但是实际上在方差不齐的时候是无法进行t检验的，结果不具有统计学意义。

t检验一般适用于两组，所以在多维的情况下，不适用t检验，而F检验可以判定多组、一组多变量和多组间有交互（单因素、协方差、双因素无重复、双因素有重复等），然后在通过两两比较进行分析，用duncan和tukey等方法去判定，F检验的范围要大的多。

扩展资料

T检验和F检验的由来：

一般而言，为了确定从样本（sample）统计结果推论至总体时所犯错的概率，我们会利用统计学家所开发的一些统计方法，进行统计检定。

通过把所得到的统计检定值，与统计学家建立了一些随机变量的概率分布（probability distribution）进行比较，我们可以知道在多少%的机会下会得到目前的结果。

倘若经比较后发现，出现这结果的机率很少，亦即是说，是在机会很少、很罕有的情况下才出现；那我们便可以有信心的说，这不是巧合，是具有统计学上的意义的（用统计学的话讲，就是能够拒绝虚无假设null hypothesis,Ho）。

相反，若比较后发现，出现的机率很高，并不罕见；那我们便不能很有信心的直指这不是巧合，也许是巧合，也许不是，但我们没能确定。

F值和t值就是这些统计检定值，与它们相对应的概率分布，就是F分布和t分布。统计显著性（sig）就是出现目前样本这结果的机率。

参考资料来源：百度百科-t检验

参考资料来源：百度百科-F检验

同楼上，F检验是模型整体的检验，单个偏回归系数的检验用t检验
SPSS可以做，但是要判断这几个自变量对因变量的影响程度不能直接比较的，要将偏回归系数标准化，再比较他们的大小，标准化回归系数绝对值大的表示影响越大。

回归有很多种，回归研究X对于Y的影响，至于回归方法的选择上，关键在于因变量Y的数据类型，如果Y是离散数据，则统一应该使用logistic回归，但具体logistic回归又分成三种类型。

如果因变量Y提连续数据（通常也说Y是正态分布时），则应该使用线性回归（有时也称OLS最小二乘法回归）。

还有一种较为特殊而且使用较少的回归叫Poisson回归，如果Y符合泊松分布此时则应该使用Poisson回归。

t检验用来检测数据的准确度
系统误差
f检验用来检测数据的精密度
偶然误差
在定量分析过程中常遇到两种情况：第一是样本测量的平均值与真值不一致；第二是两组测量的平均值不一致。上述不一致是由于定量分析中的系统误差和偶然误差引起的。因此，必须对两组分析结果的准确度或精密度是否存在显著性差异做出判断（显著性试验）。统计检验的方法很多，在定量分析中最常用t检验与f检验，分别用于检测两组分析结果是否存在显著的系统误差与偶然误差。
两组数据的显著性检验顺序是先f检验后t检验。

---