SPSS的分组回归怎么做，如何看统计结果？ - 知乎

　　首先对数据进行分组，在data菜单中点击split file，把分组变量拖入对话框，选一个恰当的呈现方式，确定。

　　然后按正常的回归分析进行分析。

　　最后可以得到不同组的回归方程，每组一个。

　　线性回归是使用最为广泛的一种研究方法，其可用于研究X对于Y的研究。分组回归是线性回归的拓展，其实质就是线性回归。比如研究X对于Y的影响，研究查看且对比不同组别时，X对于Y的影响是否有着不一致等。

　　当调节变量为定类数据，自变量为定量数据，就选择用分组回归的方法进行分析。与分层回归相比，分组回归的结果含义更明确，也更容易解释。

　　调节作用

　　当前有一项研究，收集了200份调查问卷，用于研究工作忠诚度（Y）影响。自变量分别为薪水X1、福利X2、同事关系X3。现希望以学历作为分组，研究薪水、福利、同事关系对于工作忠诚度的影响。

　　登录SPSSAU，选择【计量经济研究】--【分组回归】。分组回归

　　分别将薪水、福利、同事关系三项放入X框；学历放入分组项，工作忠诚度放入Y框。点击开始分析。分组回归

　　（1）分组回归模型表1：分组回归模型表1：分组回归模型

　　上表展示的是，分组回归结果以及不同模型的比较情况。图中共有四个模型分别是：整体回归模型，以及学历分别为本科以下，本科和本科以上时3个组别单独得到的回归结果。

　　从每个模型的样本量中，也可以看出第一个模型为整体模型（样本量200），另外3个模型样本量总和为200。相当于分别筛选出对应学历的样本进行线性回归分析，其中本科以下样本为64人，本科为115人，本科以上21人。由于分组回归会分散每个回归的有效样本量，建议每个组别样本量较多时使用。

　　如何判断组间系数的差异（即是否有调节作用）：

　　分组回归可分为两步，第一步先针对整体模型进行分析，第二步针对不同组别时的回归模型结果进行分析。分析时可能出现以下情况：

　　①情况1：当出现整体模型中X对于Y没有影响。即说明X对Y没有影响（不显著，p 值大于0.05），那么第二步基本无意义。

　　②情况2：当整体模型通过F检验，X对Y有影响。第二步出现一部分组别显著一部分不显著，那么可以直接以某组别时X对Y有影响，某组别时X对Y无影响，作为研究结论（即有调节作用）。

　　③情况3：当整体模型通过F检验，X对Y有影响。第二步检验中每个组别下都有显著的影响，需要进一步针对回归系数的差异进行检验，如果回归系数具有显著性差异，则有调节效应，反着无调节效应。

　　根据上表结果，对整体回归模型进行分析：模型通过F检验，说明模型具有统计学意义，薪水和同事关系对工作忠诚度有正向影响关系。

　　对各分组回归模型进行分析：

　　当样本学历为本科以下时，薪水和同事关系会正向影响工作忠诚度；

　　当样本学历为本科水平时，薪水和同事关系会正向影响工作忠诚度；

　　当学历本科以上水平时，薪水、福利、同事关系均不会对工作忠诚度产生影响，即说明本科以上水平的样本，对于薪水、福利、同事关系的态度，并不会对他们的工作忠诚度产生影响。

　　（2）回归系数差异检验表2：回归系数差异检验

　　回归系数差异检验结果是对上表结果的补充。如果在上一步回归模型结果中，显示在每个组别下X对于Y均有影响（显著，p 值小于0.05），那么可以通过检验对比回归系数，查看影响幅度是否存在的差异。

　　如果回归系数的差异显著，则在不同学历情况下，X对Y的影响幅度有显著性差异。即说明学历在X对Y的影响中起到了调节作用。

　　上表格展示‘薪水’,‘福利’和‘同事关系’分别对于工作忠诚度的影响，以及区分不同学历情况下时的回归系数差异情况。表格中红色部分表示在表1回归模型中有显著影响的结果。薪水对于工作忠诚度的影响，本科以下和本科时，薪水对忠诚度都有显著的正向影响，此时可对比此2个回归系数（0.459和0.312）的差异幅度（t ＝1.268，p =0.207>0.05）,说明本科以下，本科时，薪水对于忠诚都有正向影响，影响幅度并没有明显的差异。

　　同事关系对于工作忠诚度的影响，本科以下或本科时，同事关系对忠诚度都有着正向影响（回归系数分别是0.290和0.649），而且影响幅度有着显著的差异（t ＝4.323，p =0.000< 0.01）,说明同事关系对忠诚度有着正向影响，而且本科学历（相对本科以下时）的影响幅度明显更大。

　　总结：综上所述，学历在薪水、同事关系对工作忠诚度的影响关系中起到了调节作用。

　　薪水对于工作忠诚度的影响，在学历为本科以上或本科时，薪水对忠诚度都有显著的正向影响，学历为本科时以上并没有影响。

　　同事关系对于工作忠诚度的影响，在学历为本科以下或本科时，同事关系都会对忠诚度有着正向影响，且本科学历时同事关系的影响幅度明显更大；但是本科以上学历样本时，同事关系对忠诚度不会产生影响。

　　分组回归可用于研究调节作用，同时SPSSAU也提供分层回归分析（进阶方法->分层回归）或直接使用SPSSAU调节作用（问卷研究->调节作用）。

　　以上就是本次分享的内容，登录SPSSAU官网了解更多。SPSSAU：如何分析调节作用？SPSSAU_相关|回归分析_因子|方差分析_SPSS下载-在线SPSS分析软件

　　线性回归是使用最为广泛的一种研究方法，其可用于研究X对于Y的研究。

　　而分组回归是线性回归的拓展，其实质就是线性回归。比如研究X对于Y的影响，现在希望查看且对比不同组别(group，比如不同学历)时，X对于Y的影响是否有着不一致等。此种情况即称为分组回归。

　　相当于比如先筛选出学历为本科以下的群体，做一次线性回归；再筛选出学历为本科的群体，做一次线性回归；接着筛选出学历为本科以上的群体，做一次线性回归。得到多次回归结果后，可以对比回归系数的差异性情况，进而研究影响关系的差异情况等。

　　推荐使用SPSSAU：

　　SPSSAU无需下载，傻瓜式操作，无需编写中间步骤，一键即可出分析结果，最适合数据分析新手小白使用：SPSSAU官网

　　以SPSSAU系统分析结果为例：分组回归模型

　　上表格列出整体所有样本的回归，以及区分本科以下，本科和本科以上3个组别时的回归结果。从上表可知，在不区别学历情况下，整体来看，薪水和福利会正向影响到样本 的忠诚度。具体区分不同学历情况时，样本本科以下学历情况时，薪水和福利会正向影响忠诚度；本科水平时，薪水和福利会正向影响忠诚度；本科以上水平时，薪水和福利均不会对忠诚度产生影响，即说明本科以上水平的样本，他们对于薪水或福利的态度，并不会对他们的忠诚度有影响。回归系数差异检验

　　上表格展示‘薪水’，‘福利’和‘同事关系’分别对于忠诚度的影响，以及区分不同学历情况下时的回归系数差异情况。以及表格中加粗表示有显著影响。薪水对于忠诚度的影响，本科以下和本科时，薪水对忠诚度都有显著的正向影响，此时可对比此2个回归系数（0.459和0.312）的差异幅度（t ＝1.268，p =0.207>0.05）,说明两个系数没有呈现出显著性差异，即本科以下，本科时，薪水对于忠诚都有正向影响，影响幅度并没有明显的差异。薪水对于忠诚度的影响，本科以上或本科时，薪水对忠诚度都有显著的正向影响，但是本科以上并没有影响。同事关系对于忠诚度的影响，本科以下或本科时，同事关系对忠诚度都有着正向影响（回归系数分别是0.290和0.649），而且影响幅度有着显著的差异（t ＝4.323，p =0.000< 0.01）,说明同事关系对忠诚度有着正向影响，而且本科学历（相对本科以下时）这种影响幅度明显更大。同事关系对于忠诚度的影响，本科以下或本科时，同事关系都会对忠诚度有着正向影响，但是本科以上学历样本时，同事关系对忠诚度不会产生影响。

　　以上。

　　更多干货合集推荐：今儿个学习：「SPSSAU｜数据分析」：多选题分析，看这个就够了！今儿个学习：「SPSSAU｜数据分析」：一秒搞定散点图！你是我滴神！今儿个学习：「SPSSAU｜数据分析」：项目分析原来这么简单？！