自变量共分为2类,因变量分为4类,
Parameter Estimates
VAR00002a 95% Confidence Interval for Exp(B)
B Std. Error Wald df Sig. Exp(B) Lower Bound Upper Bound
2.00 Intercept -.693 1.225 .320 1 .571
[retinopathy=0] .421 1.247 .114 1 .736 1.524 .132 17.555
[retinopathy=1] 1.030 1.358 .575 1 .448 2.800 .196 40.057
[retinopathy=9] 0b . . 0 . . . .
3.00 Intercept -18.211 .558 1065.951 1 .000
[retinopathy=0] 17.246 .630 748.353 1 .000 3.088E7 8975631.857 1.062E8
[retinopathy=1] 18.798 .000 . 1 . 1.459E8 1.459E8 1.459E8
[retinopathy=9] 0b . . 0 . . . .
4.00 Intercept -.693 1.225 .320 1 .571
[retinopathy=0] -.965 1.284 .565 1 .452 .381 .031 4.719
[retinopathy=1] .693 1.378 .253 1 .615 2.000 .134 29.808
[retinopathy=9] 0b . . 0 . . . .
a. The reference category is: 1.00.
b. This parameter is set to zero because it is redundant.
是用多元回归分析的结果,请帮忙解释一下此结果,谢谢!另外我这样分析对不对,如果不对,请问用何种方法分析?
1、首先打开一份要进行线性回归分析的SPSS数据,然后点击【分析-回归-线性】。
2、然后将因变量和自变量分别放入相应的框中。
3、接着可以进行选择变量,即对变量进行筛选,并利用右侧的“规则”按钮建立一个选择条件,这样,只有满足该条件的记录才能进行回归分析。
4、接着点击右侧的统计量打开统计量子对话框,然后勾选图中的选项。
5、接着打开选项子对话框,然后勾选【在等式中包含常亮】。
6、这里需要先对自变量和因变量进行方差齐性检验,然后能得到a=110.190,b=-0.391。线性回归方程结果为:y=110.190-0.391x。
分类变量为因变量,连续变量为自变量,做逻辑回归。或者是分类变量为自变量,连续变量为因变量,而且是做线性关系,则先将分类变量设置虚拟变量,再做线性回归。
线性回归通常是人们在学习预测模型时首选的技术之一。在这种技术中,因变量是连续的,自变量可以是连续的也可以是离散的,回归线的性质是线性的。
线性回归使用最佳的拟合直线(也就是回归线)在因变量(Y)和一个或多个自变量(X)之间建立一种关系。
用一个方程式来表示它,即 Y=a+b*X + e,其中 a 表示截距,b 表示直线的斜率,e 是误差项。这个方程可以根据给定的预测变量(s)来预测目标变量的值。
扩展资料
要点:
1、自变量与因变量之间必须有线性关系。
2、多元回归存在多重共线性,自相关性和异方差性。
3、线性回归对异常值非常敏感。它会严重影响回归线,最终影响预测值。
参考资料来源:百度百科-回归分析
本回答被网友采纳1、首先在数据视图窗口编辑入数据,在变量视图窗口进行编辑,根据每个变量德 类型,宽度等属性进行输入,如图所示。
2、然后点击【分析】-【回归】【线性L】即可出现下图。
3、接着选择右边的【统计量】-选择出需要的统计分析数据,然后点击继续--和确定。
4、这是一个基本的输出结果的界面信息,这些信息会告诉你:模型的汇总及协方差是需要注意查看的。
本回答被网友采纳可是当我应用Binary logistic回归时,结果出错,搞不明白?谢谢!
追答你的因变量是二分类变量的话,就是用binary logistic回归
如果出错 可能是你的数据有问题 无法计算出来吧