SPSS主成分回归消除多重共线性步骤 SPSS主成分回归系数显著性全是0正常吗

品牌型号：联想ThinkBook

系统：windows10 64位旗舰版

软件版本：IBM SPSS Statistics 29.0

如果需要判断自变量之间是否存在线性相关性，我们可以运用SPSS主成分回归来消除多重共线性，进而剔除高度相关数据来保证后续回归模型的优化改进。今天，我们以SPSS主成分回归消除多重共线性步骤，SPSS主成分回归系数显著性全是0正常吗这两个问题为例，带大家了解一下SPSS回归分析的相关知识。

一、SPSS主成分回归消除多重共线性步骤

当分析多个自变量对某一变量的影响时，我们可以借助SPSS回归来判断各个变量之间是否有高度相关的线性关系，以免后续数据建模的模型不稳定等问题出现，这里我们展示一下SPSS主成分回归消除多重共线性步骤的过程。

1、如下是某药剂临床实验数据，第三列数据结果作为因变量，我们需要检测V1和V2前两列数据之间是否存在相关线性关系，选择数据编辑页面分析栏的【回归】的【线性】模块。

2、接下来代表第三列数据的V3移动到【因变量】，将V1和V2移动到【块】，在下方的【方法】模块选择【步进】，完成共线性的变量设置。

3、找到线性回归页面统计栏的回归系数模块，勾选其中的【估算值】，再选择【模型拟合度】和【R方变化量】以及【描述】选项，为了判断V1和V2之间的对应关系，我们还需要勾选【共线性诊断】，最后勾选残差模块的【德宾沃森】模式。

4、然后进入线性回归的制图设置，选择右侧最上方的【DEPENDNT】模式，在标准化残差图勾选【正态概率图】选项，再点击【继续】按键。

二、SPSS主成分回归系数显著性全是0正常吗

回归系数的显著性是我们分析结果的主要标准，但系数p值不可能全部是0，不符合数据测算的科学性，p值只可能无限趋近于0，而对于SPSS回归分析的共线性诊断，我们能够得知变量是否存在高度相关性来决定是否筛选、剔除相关数据。

1、首先我们可以看到正态分布图，案例的药剂数据集基本集中在一条直线上，表明数据残差服从正态分布，满足逐步回归的假设。

2、然后我们可以在SPSS输出页面得到模型摘要的数据，R方代表模型拟合度，取值在0到1之间，越接近1表示模型拟合度越好，这里的R方值为0.849表示案例数据的模型拟合度好，显著性小于0.001表明自变量可以显著改善对因变量的预测。

3、按照上述步骤，我们得到ANOVA分析图表，可以看到回归的显著性p＜0.05表示模型构建有意义，由此可以查看后续的分析测验结果。

4、在共线性诊断图表，我们能看到数据模型在不同维度的特征值和条件指标，1维特征值为1.905，2维特征值为0.095。

5、最后我们在系数列表看到显著性和VIF值测量结果，非标准化系数为0.006，标准化系数0.909，显著性p＜0.05表明V1可以显著正向预测，VIF值为1小于5表明变量之间不存在高度共线性。

三、小结

以上就是SPSS主成分回归消除多重共线性步骤，SPSS主成分回归系数显著性全是0正常吗的解答。如果想要判断自变量之间是否存在线性关系及关系强度，推荐运用SPSS回归分析进行共线性诊断。最后，也欢迎大家前往SPSS的中文网站，学习更多关于数据分析的操作技巧。