二阶段最小二乘回归分析的功能与意义

普通最小二乘法有一个基本假设是自变量取值不受因变量的影响。然而，在很多研究中往往存在内生自变量问题，如果继续采用普通最小二乘法，就会严重影响回归参数的估计。SPSS的二阶段最小二乘回归分析便是为解决这一问题而设计的，基本思路：首先找出内生自变量，然后根据预分析结果中到处可以预测盖子变量取值的回归方程并得到自变量预测值，再将因变量对该自变量的预测值进行回归，从而迂回解决内生自变量问题。

相关数据

相关因素对教育投资回报率的影响

分析过程

分析-回归-两阶最小二乘法

结果分析

（1）变量概况及模型拟合度

R方仅为0.114，拟合度很低。

（2）模型概况

除S80和TENURE外，均显著。

可知工龄和智商对工资水平的影响较大，其余解释变量影响较小。

模型综述

LW80=4.089+0.018*IQ+0.042*S80+0.026*EXPR80+0.005*TENURE80

二项分类Logistic回归分析的功能与意义

遇到因变量只有两种取之的情况比如是否患病，是否下雨等，这时一般的线性回归分析就无法准确地刻画变量之间的因果关系，需要用其他的回归分析方法来进行拟合模型。SPSS的二项分类Logistic回归便是一种简便的处理二分类因变量问题的分析方法

相关数据

相关因素对是否患病的影响

分析过程

分析-回归-二元Logistic

结果分析

（1）案例处理汇总和因变量编码

拟合模型是logit，也就是说因变量表示肾细胞发生癌转移的概率是对数值。

（2）模型概况

各参数的显著性均大于0.05，不显著。

模型综述

LW80=4.089+0.018*IQ+0.042*S80+0.026*EXPR80+0.005*TENURE80

肾细胞癌分期与肾细胞癌转移成正向变化，其他因素与肾细胞癌转移成反向变化，但这些变化并不显著。