还是不行啊……

我用了logistic回归，设置成哑变量解决了自变量的问题，但是因变量不能是连续变量啊~

搞不定啊~大大们

好好，这样，性别先不管啦，说较复杂的那个自变量哈：

自变量：认知模型1，2，3

因变量有很多，说一个就行：经过计算过后的总体绩效（1~5的连续变量）

下面说几组数据以便理解

x   y

2   3.33

3   4

3   4.67

1   3.67

......

......

就是这样的一些数据，最后要做回归，就是看下不同的认知模型是否对绩效有不同的影响，哪个认知模型对绩效的影响较大

比较赞同前面同学的建议，自变量应该是哑变量，因为数值大小并不意味着认知模型的好坏，但是在logi回归时因变量不能是本例绩效这种连续变量吧（我这么理解），然后就不会了……

感谢大家帮忙~

LZ,用stata吧，你的问题很好解决，现示范如下：

 设有变量X,Y,其中X取值为1(男），2（女），Y取值为绩效（比如 销售额。。。），程序如下

input x y

     +----------+
     | x      y |
     |----------|
  1. | 1   1000 |
  2. | 1   1003 |
  3. | 1   1100 |
  4. | 1   1050 |
  5. | 1   1010 |
     |----------|
  6. | 2   1230 |
  7. | 2   1280 |
  8. | 2   1300 |
  9. | 2   1209 |
 10. | 2   1240

end

reg y x

(以下 是程序 分析结果：）

      Source |       SS       df       MS              Number of obs =      10
-------------+------------------------------           F(  1,     8) =   74.73
       Model |    120121.6     1    120121.6           Prob > F      =  0.0000
    Residual |       12860     8      1607.5           R-squared     =  0.9033
-------------+------------------------------           Adj R-squared =  0.8912
       Total |    132981.6     9  14775.7333           Root MSE      =  40.094

------------------------------------------------------------------------------
           y |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
           x |      219.2   25.35744     8.64   0.000     160.7256    277.6744
       _cons |      813.4   40.09364    20.29   0.000     720.9439    905.8561
------------------------------------------------------------------------------

不知按上述操作，可否解决楼的的问题？

非常感谢楼上无私帮助@@！！！！学习STATA中……

但是有一点就是1，2代表男、女并没有好坏之分，只是给分成了两个组，现在想比较两个组谁与绩效的coefficient值大，该如何操作呢~（用STATA）

呵呵，我现在是菜的很啊~刚接触统计软件~我感觉基本就是你的这个意思，具体的题目我前面阐述过一遍了~ls帮忙看下啊~呵呵，太感谢了~

“做回归看谁的贡献大”，这一点我很赞同，具体怎么操作啊~感谢感谢~~

楼主，只有对于不同的自变量 x，通过回归分析后才能产生不同的coefficients,通过比较标准化的cofficients大小，就可表明哪个自变量对 因变量 的贡献大。就LZ所提的问题看，“性别”是一个变量，1 和 2 只是这个“性别”变量的不同取值，而不是两个变量，所以就不可能产生两个不同的cofficients,因而也就无法通过比较“标准化”后的cofficients来比较 男、女 谁对绩效的贡献大。所以，建议LZ不妨换一个思路进行比较：

1、比较男、女的总绩效；

2、比较男、女的平均绩效，也就是假设检验 ho：男性平均绩效＝女性平均绩效。

3、如上述访法仍不能解决楼主的问题，请考虑采用其他统计模型，放弃回归分析这一思路。

LZ,小弟也是刚刚入门，所说的也不一定正确，下面是小弟用 SAS 软件就你所提的问题所做的另外一种解答，希望能够对你有所帮助。

设变量 X（自变量）、 Y（因变量）、 SEX(性别 1＝女 2＝男），现做 Y 对 X、SEX、X*SEX (注：表示 X 与 SEX 交叉作用项)，程序如下：

input x y;

  if _n_<=8 then sex=1;

            else sex=2;

cards;

13 3.54

11 3.01

9  3.09

6  2.48

8  2.56

10 3.36

12 3.18

7  2.65

10 3.01

9  2.83

11 2.92

12 3.09

15 3.98

16 3.89

8  2.21

7  2.39

10 2.74

15 3.36

;

proc print;

run;

proc glm;           

model y=x sex x*sex;

class sex;

run;

proc glm;

model y=x sex;

class sex;

run;

以下是程序运用结果：

第一部分：展示数据表

                                         The SAS System    09:20 Thursday, September 25, 2008  16

                                    Obs     x      y     sex

                                      1    13    3.54     1
                                      2    11    3.01     1
                                      3     9    3.09     1
                                      4     6    2.48     1
                                      5     8    2.56     1
                                      6    10    3.36     1
                                      7    12    3.18     1
                                      8     7    2.65     1
                                      9    10    3.01     2
                                     10     9    2.83     2
                                     11    11    2.92     2
                                     12    12    3.09     2
                                     13    15    3.98     2
                                     14    16    3.89     2
                                     15     8    2.21     2
                                     16     7    2.39     2
                                     17    10    2.74     2
                                     18    15    3.36     2

第二部分：回归模型 y 对 x sex x*sex 三个变量的回归模型及模型检验：注意，对于 x*sex 

 F＝0.74   P=0.4052>0.05,说明x*sex交叉作用不显著，可从模型中剔除！

                                       

                                        The GLM Procedure

Dependent Variable: y

                                               Sum of
       Source                      DF         Squares     Mean Square    F Value    Pr > F

       Model                        3      3.44201996      1.14733999      27.18    <.0001

       Error                       14      0.59100782      0.04221484

       Corrected Total             17      4.03302778