相关性分析不显著还要进行回归分析吗

当然不是,R2是用来衡量解释变量对被解释变量的解释力的,显著性需要看回归系数的t统计量或F统计量,看起在选点的显著水平下是否显著.再问：作者认为种子重量每增加1g发芽率就提高2.17%，对吗？再答：那

通过F检验和t检验,伴随概率一致通过,方程成立

你这里面从各个变量的t检验看显然有变量不显著,把这些变量剔除掉重新建立新的回归模型就是了,哪儿有在这种伪回归的情况下纠结方差分析是不是显著的……再问：那有无回归模型显著，但有个别变量不显著的情况，请教

以你所选取的自变量拟出的公式与实际的统计值出入比较大,建议去除相关性较小的几个自变量就有可能小于0.05.

先进性复共线性检验,如果变量之间复共线性特别大,那么进行岭回归和主成分回归,可以减少复共线性,岭回归是对变量采取了二范数约束,所以最后会压缩变量的系数,从而达到减小复共线性的目的,另外这个方法适合于p

β对应的P值大于所给的显著性水平一般取α=0.05意为β对应的变量对因变量的影响明显

要根据散点图来初步估计下大概是什么关系如果比较简单的不建议采用非线性回归,因为要自己构建算式的,比较有难度可以采用曲线回归,它会有一系列常用的曲线模型,你可以根据散点图大致选择几个模型然后结果会输出各

你是想调整数据呢还是想调整什么呢?线性回归时候,相关系数只是表明了各个系数之间的相关程度.但是自变量对因变量不显著的话,只能说明自变量多因变量影响不大,可以考虑换其他的跟因变量关系更加大的变量.或者在

做相关分析时,SPSS可自动删除不成对的数据,拿成对的数据去做.不知道你说的自由度是什么再问：也就是说不同组，数据不是一一对应的哈。一些数据多，一些数据少。在各月份下，某些指标有数据，某些数据没有哈。

线性回归哪个是因变量,哪个是自变量呢再问：60岁及以上人口是因变量其余是自变量？再答：相关一张张图传麻烦，给个QQ我发你再问：.

不太明白你的意思,如果想知道多个因子的相关性,那可以先做相关性分析.SPSS中回归的自变量都是自己加入的,做了相关性分析,在回归时只对相关性大的因子做回归.如果是筛选因子的话建议用逐步线性回归,会自动

一般统计分时所做的相关是指Pearson相关或者Spearman相关,而Losgistic回归也即多元回归分析是一个更高层次的相关分析,数据要求质量比较高.如果数据用Pearson相关或者Spearm

分数没用的你有什么问题直接说我经常帮别人做这类的数据分析的再问：那我加您，辛苦了，我的问题都挺基础的...

多重共线性的处理的方法（一）删除不重要的自变量自变量之间存在共线性,说明自变量所提供的信息是重叠的,可以删除不重要的自变量减少重复信息.但从模型中删去自变量时应该注意：从实际经济分析确定为相对不重要并

滞后期p一般是1个1个往上加每加一个就用t,F统计检验看看各个系数然后断定是否继续加这样

可以将被剔除的变量做回归分析,但如果相关系数过高,可能会产生多重共线性（参数t检验无法通过）,到时候可以去剔除法或者SPSS的逐步回归法做就行第一个图是方差分析表,其实意义不需要过多强求,主要看F值对

刚看了一篇外文文献,其中提到了几个变量之间的相关性分析.作者用SPSS得出A与B的相关性系数约为0.09,但显著性水平大于0.05即不显著.随后继续作回归性分析（未阐明是否是多元线性）结论是BETA值

不能拒绝二次adm项系数为0的假设所以不显著你可以看看二次回归和一次回归R方的差异如果不大说明一次v即可.再问：但是R^2很大啊。。。再答：一次和二次的R方差异是多少?再问：相差不大。。。

虚拟变量,你可以试试0-1这样的虚拟变量,含0的,对应的y低,含1的对应的y高（假设正相关）.其实主要看你的虚拟变量打算加在哪里,加在常数项就这么做,加在系数项的话就是另外一组数据了.你可以先写个含虚

个人建议你是先做所有变量的多元回归,因为你在做自变量与因变量间的相关系数时,是排除了其他变量的影响,而在做多元回归时,变量间有可能存在影响的.然后再看回归的结果,比如R平方,F值,方程的显著性,系数的