“线性回归”估计包含一个或多个自变量的线性方程的系数，这些系数能最佳地预测因变量的值。例如，可尝试根据诸如年龄、教育程度和从业年数等自变量来预测销售人员的全年销售额（因变量）。

     示例。某个篮球队在一个赛季中获胜的场次与该队在每场比赛中的平均得分相关吗？散点图表示这些变量线性相关。获胜的场次与对手的平均得分也是线性相关的。这些变量负相关。随着获胜场次的增加，对手的平均得分减少。通过线性回归，您可以对这些变量的关系进行建模。好的模型可以用来预测球队的获胜场次。

    统计量。对于每个变量：有效个案数、均值和标准差。对于每个模型：回归系数、相关矩阵、部分和偏相关、复相关系数、R2、调整 R2、R2 变化、估计的标准误、方差分析表、预测值和残差。另外还有：每个回归系数的 95% 置信区间、方差-协方差矩阵、方差膨胀因子、容差、Durbin-Watson 检验、距离测量（Mahalanobis、Cook 和杠杆值）、DfBeta、DfFit、预测区间和个案诊断。图(T):散点图、部分图、直方图和正态概率图。

一．线性回归变量选择方法

方法选择允许您指定自变量将如何进入到分析中。通过使用不同的方法，您可以从相同的变量组构造多个回归模型。

• 输入（回归）. 一种变量选择过程，其中一个块中的所有变量在一个步骤中输入。

• 逐步式. 在每一步，不在方程中的具有F 的概率最小的自变量被选入（如果该概率足够小）。对于已在回归方程中的变量，如果它们的 F 概率变得足够大，则移去这些变量。如果不再有变量符合包含或移去的条件，则该方法终止。

• 删除. 一种变量选择过程，其中在单步中移去一个块中的所有变量。

• 向后去除. 一种变量选择过程，在该过程中将所有变量输入到方程中，然后按顺序移去。会考虑将与因变量之间的部分相关性最小的变量第一个移去。如果它满足消除条件，则将其移去。移去第一个变量之后，会考虑下一个将方程的剩余变量中具有最小的部分相关性的变量移去。直到方程中没有满足消除条件的变量，过程才结束。

• 向前选择. 一个逐步变量选择过程，在该过程中将变量顺序输入到模型中。第一个考虑要选入到方程中的变量是与因变量之间具有最大的正或负的相关性的变量。只要在该变量满足选入条件时才将它选入到方程中。选入了第一个变量之后，接下来考虑不在方程中的具有最大的部分相关性的自变量。当无满足选入条件的变量时，过程结束。

输出中的显著性值基于与单个模型的拟合。所以，当使用逐步推进方法（逐步式、向前或向后）时，显著性值通常无效。

无论指定什么进入方法，所有变量都必须符合容差条件才能进入方程。默认的容差水平为 0.0001。另外，如果某个变量会导致另一已在模型中的变量的容差下降到容差条件以下，则该变量不进入方程。

所有被选自变量将被添加到单个回归模型中。不过，您可以为不同的变量子集指定不同的进入方法。例如，您可以使用逐步式选择将一个变量块输入到回归模型中，而使用向前选择输入第二个变量块。要将第二个变量块添加到回归模型，请单击下一个。

二．线性回归：设置规则

线性回归：设置规则

分析中包含由选择规则定义的个案。例如，如果选择变量，选择等于，并为该值键入 5，则只有那些选定变量值等于 5 的个案才会包含在分析中。字符串值也是允许的。

此功能需要 Statistics Base 选项。

从菜单中选择：

分析 > 回归 > 线性...

在“线性回归”对话框中，选择选择变量并单击规则。

定义选择规则，以选择个案子集进行分析。选定的变量名将出现在左边。

从下拉列表中选择关系。可用的关系有等于、不等于、小于、小于等于、大于以及大于等于。对于字符串变量，可用关系为等于。

输入值或字符串。