多元线性回归怎么做？SPSS 步骤、前提检验与结果判读

回归分析是问卷数据里用途最广的一步：它同时能回答"哪些因素有影响""影响有多大""模型整体能解释多少"。但它也是被误用最多的方法——很多人把变量丢进去、抄一遍系数就写结论，忽略了前提假设的检验。本文按"能不能用 → 怎么读 → 怎么写"的顺序讲清楚。

一、什么时候该用线性回归

二、六个前提假设（做之前先检验）

三、SPSS 操作步骤

1. 菜单：分析 → 回归 → 线性。
2. 把因变量放入「因变量」框，自变量放入「自变量」框。分类变量（如学历）需先转成哑变量再放入。
3. 方法：先用「输入（Enter）」，即强行进入法，这是论文中最稳妥的选择。
4. 点「统计量」：勾选 估计值、模型拟合度、R 方变化量、共线性诊断、Durbin-Watson。
5. 点「图」：把 ZPRED 放 X 轴、ZRESID 放 Y 轴，勾选「直方图」和「正态概率图」，用于检查假设 ③④。
6. 确定，读结果。

四、结果怎么读：一张表看全部

五、论文里怎么写（可直接套用）

示例表述：「本研究以学业表现为因变量，以学习动机、学习投入、自我效能感为自变量进行多元线性回归分析。结果显示，回归模型整体显著（F(3, 316) = 42.87, p < 0.001），调整 R² = 0.283，说明三个自变量共同解释了学业表现 28.3% 的变异。其中学习投入（β = 0.412, p < 0.001）与学习动机（β = 0.196, p = 0.002）对学业表现具有显著正向影响，自我效能感的影响未达显著水平（β = 0.078, p = 0.126）。各变量 VIF 介于 1.24–2.06 之间，均小于 5，Durbin-Watson 值为 1.92，表明模型不存在多重共线性与残差自相关问题。」

表格建议命名为「表 N 多元线性回归结果」，列出：自变量、非标准化系数 B、标准误、标准化系数 β、t 值、p 值、VIF，最后一行附 F、调整 R²。格式见论文三线表规范。

六、样本量要多少

• 经验规则一：样本量 ≥ 50 + 8 × 自变量个数。
• 经验规则二：每个自变量至少对应 10–20 个样本。
• 更稳妥的说法：要做中介、调节、SEM 时样本量要求更高（一般 ≥ 200，复杂模型 ≥ 300）。

七、常见七个错误

1. 只报 β 不报模型整体指标。 F、调整 R² 必须一起给，否则看不出模型是否成立。
2. 用非标准化系数 B 比较变量重要性。 不同变量的量纲不同，比较强弱必须用标准化 β。
3. 不检验前提假设就直接报结果。 至少要给 D-W 与 VIF。
4. 把分类变量当连续变量。 学历、职业这类必须先做哑变量处理。
5. 模型不显著还硬解释单个系数。 F 不显著时，任何单个系数的解释都不成立。
6. 把 p 值当效应大小。 p < 0.001 不等于影响很大，效应强弱要看 β 与 R²。
7. 用回归系数讲因果。 回归只描述"关联与预测"，因果结论需要实验或纵向设计支撑。

八、常见问题

调整 R² 比 R² 小很多，正常吗？

正常。自变量越多，R² 天然越大，调整 R² 对自变量个数做了惩罚。样本量小、自变量多时两者差距会明显。挑选模型时看调整 R²。

系数方向和我预期相反怎么办？

先查共线性（VIF 是否超标）、再查是否有抑制变量或遗漏变量，最后检查数据编码（反向题、哑变量参照组）。不要为了符合预期而改模型，如实报告并讨论是学术上正确的做法。

因变量是李克特量表均分，能用线性回归吗？

可以，这是问卷研究中的通行做法（均分近似视为连续变量）。但如果因变量只有少数几个类别且分布严重偏斜，应考虑有序回归等其他方法。