如何做回归分析？

由于未指定软件，就以在SPSS中回归分析为例。
1选定需要分析的数据。
2。在工具栏上点击分析→回归→线性回归。
3选择想要分析的自变量和因变量到相应的框中，点击中间的箭头按钮添加进去即。
4选择好需要分析的变量以后，在右边有相应的统计量和选项，点中自己需要分析的条件，点击继续即。
5确定好所有的因素之后，确定就可以在输出框中显示最终的分析结。

以Excel2010为例。 1、“开发工具”选项卡 中单击“加载项”组中的“加载项”按钮，打开“加载宏”对话框。如下图。勾选 “分析工具库”。 2、“数据”选项卡中“分析”组中的“数据分析”按钮，打开“数据分析”对话框。如下图。单击“回归”选项。 剩下的楼主自己

1、厘清各个数据之间的逻辑关系，搞清楚哪个是自变量，哪个又是因变量。这里我们要对人均gdp和城市化水平进行分析，建立符合两者之间的模型，假定人均gdp为自变量，城市化水平是因变量。
2、由于我们不知道两者之间的具体关系如何，所以我们利用数据生成一个散点图判断其可能符合的模型。为生成的散点图，一般横坐标为自变量，纵坐标为因变量，所以我们需要将x轴，y轴的坐标对调一下，这里采用最简单的方法，将因变量移动到自变量的右边一列即可。
3、由步骤2的散点图，我们可以判断自变量和因变量之间可能呈线性关系，我们可以添加线性趋势线进一步加以判断。如附图1所示。也可以添加指数，移动平均等趋势线进行判断。很明显数据可能符合线性关系，所以下面我们对数据进行回归分析。
4、选择菜单栏的“数据分析”-->“回归”。
5、步骤4进行的回归分析输出结果如附图所示。回归模型是否有效，可以参见p指，如果p<0001则极端显著，如果0001<p<001非常显著，001<p<005则一般显著，p>005则不显著。本例的p值均小于0001，所以属于极端显著，故回归模型是有效的。根据回归模型的结果可知
y = 5E-06x + 05876R² = 09439

方法/步骤

打开Excel2010，首先输入课本例题71的全部数据，2012年各地区农村居民家庭人均纯收入与人均消费支出，

做题之前，我们先为Excel2010注入回归分析的相关内容，点击文件，选择左下角的选项，出来如图，选择加载项，点击转到。

进入加载宏，选择分析工具库，点击确定。

进入数据，就会发现最右面出现了数据分析这一项。

点击数据分析之后选择回归，确定，这样就为Excel2010导入了数据分析的功能，进行回归分析了，选择X、Y值的区域，其他不变的，点击确定。

5

最后，就是我们需要的内容，根据数据进行分析，可以得出样本的回归函数：

Yi=1004539839+0614539172925018Xi具体看做的题目

回归分析（regression
analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。
步骤
1确定变量
明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。
2建立预测模型
依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。
3进行相关分析
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。
4计算预测误差
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。
5确定预测值
利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。

方法如下：　

　选择成对的数据列，将使用“X、Y散点图”制成散点图。

在数据点上单击右键，选择“添加趋势线”-“线性”，并在选项标签中要求给出公式和相关系数等，可以得到拟合的直线。

由图中可知，拟合的直线是y=15620x+66061，R2的值为09994。

因为R2 >099，所以这是一个线性特征非常明显的实验模型，即说明拟合直线能够以大于9999%地解释、涵盖了实测数据，具有很好的一般性，可以作为标准工作曲线用于其他未知浓度溶液的测量。

为了进一步使用更多的指标来描述这一个模型，我们使用数据分析中的“回归”工具来详细分析这组数据。

　在选项卡中显然详细多了，注意选择X、Y对应的数据列。“常数为零”就是指明该模型是严格的正比例模型，本例确实是这样，因为在浓度为零时相应峰面积肯定为零。先前得出的回归方程虽然拟合程度相当高，但是在x=0时，仍然有对应的数值，这显然是一个可笑的结论。所以选择“常数为零”。

“回归”工具为我们提供了三张图，分别是残差图、线性拟合图和正态概率图。重点来看残差图和线性拟合图。

　在线性拟合图中可以看到，不但有根据要求生成的数据点，而且还有经过拟和处理的预测数据点，拟合直线的参数会在数据表格中详细显示。本实例旨在提供更多信息以起到抛砖引玉的作用，由于涉及到过多的专业术语，请各位读者根据实际，在具体使用中另行参考各项参数，此不再对更多细节作进一步解释。

残差图是有关于世纪之与预测值之间差距的图表，如果残差图中的散点在中州上下两侧零乱分布，那么拟合直线就是合理的，否则就需要重新处理。

　更多的信息在生成的表格中，详细的参数项目完全可以满足回归分析的各项要求。下图提供的是拟合直线的得回归分析中方差、标准差等各项信息。

---