下载文档原格式
SPSS—回归—多元线性回归结果分析（二），最近一直很忙，公司的潮起潮落，就好比人生的跌岩起伏，眼看着一步步走向衰弱，却无能为力，也许要学习“步步惊心”里面“四阿哥”的座右铭：“行到水穷处”，”坐看云起时“。
接着上一期的“多元线性回归解析”里面的内容，上一次，没有写结果分析，这次补上，结果分析如下所示：结果分析1：由于开始选择的是“逐步”法，逐步法是“向前”和“向后”的结合体，从结果可以看出，最先进入“线性回归模型”的是“price in thousands"建立了模型1，紧随其后的是“Wheelbase"建立了模型2，所以，模型中有此方法有个概率值，当小于等于0.05时，进入“线性回归模型”（最先进入模型的，相关性最强，关系最为密切）当大于等0.1时，从“线性模型中”剔除结果分析：1：从“模型汇总”中可以看出，有两个模型，（模型1和模型2）从R2 拟合优度来看，模型2的拟合优度明显比模型1要好一些（0.422>0.300）2：从“Anova"表中，可以看出“模型2”中的“回归平方和”为115.311，“残差平方和”为153.072，由于总平方和=回归平方和+残差平方和，由于残差平方和(即指随即误差，不可解释的误差）由于“回归平方和”跟“残差平方和”几乎接近，所有，此线性回归模型只解释了总平方和的一半，3：根据后面的“F统计量”的概率值为0.00，由于0.00<0.01，随着“自变量”的引入，其显著性概率值均远小于0.01，所以可以显著地拒绝总体回归系数为0的原假设，通过ANOVA方差分析表可以看出“销售量”与“价格”和“轴距”之间存在着线性关系，至于线性关系的强弱，需要进一步进行分析。
结果分析：1：从“已排除的变量”表中，可以看出：“模型2”中各变量的T检的概率值都大于“0.05”所以，不能够引入“线性回归模型”必须剔除。
从“系数a” 表中可以看出：1：多元线性回归方程应该为：销售量=-1.822-0.055*价格+0.061*轴距但是，由于常数项的sig为（0.116>0.1) 所以常数项不具备显著性，所以，我们再看后面的“标准系数”，在标准系数一列中，可以看到“常数项”没有数值，已经被剔除所以：标准化的回归方程为：销售量=-0.59*价格+0.356*轴距2：再看最后一列“共线性统计量”，其中“价格”和“轴距”两个容差和“vif都一样，而且VIF 都为1.012，且都小于5，所以两个自变量之间没有出现共线性，容忍度和膨胀因子是互为倒数关系，容忍度越小，膨胀因子越大，发生共线性的可能性也越大从“共线性诊断”表中可以看出：1：共线性诊断采用的是“特征值”的方式，特征值主要用来刻画自变量的方差，诊断自变量间是否存在较强多重共线性的另一种方法是利用主成分分析法，基本思想是：如果自变量间确实存在较强的相关关系，那么它们之间必然存在信息重叠，于是就可以从这些自变量中提取出既能反应自变量信息（方差），而且有相互独立的因素（成分）来，该方法主要从自变量间的相关系数矩阵出发，计算相关系数矩阵的特征值，得到相应的若干成分。
多元线性回归分析spss
多元线性回归分析是一种常用的统计分析技术，用于对各因素之间的相互关系进行研究。
使用多元线性回归分析，可以检验一个或多个自变量对因变量具有统计学显著性的影响，从而推断出实际世界存在的不同因素可能带来的影响。
在spss中，我们使用下拉菜单选择“分析”>“回归”>“多元”来开始多元线性回归分析。
在多元线性回归窗口中，我们可以在右边的“可用变量”列中选择变量，拖拽到“因变量”和“自变量”栏中。
接下来，我们可以选择要使用的模型类型，其中包括多元线性回归，截距，变量中心以及相关的其他预测结果。
在进行模型拟合之前，我们可以在“多重共线性”复选框中对共线性进行调整，进行预测和显著性检验，并调整“参数估计”和“残差”复选框，自由地绘制结果。
在运行了多元线性回归分析之后，在spss中，我们可以在输出窗口中查看多元回归方程的系数和检验的结果，以及它们对回归系数的影响，残差分布情况，多重共线性分析和其他一些输出参数。
总而言之，spss中多元线性回归分析是一种有效的统计分析方法，可以用来检验多个自变量对回归方程的影响。
它具有许多内置功能，可以容易地针对回归系数和其他参数进行各种分析，提供了可信的结果，帮助人们深入了解各类因素对研究结果的影响。
SPSS多元线性回归分析实例操作步骤多元线性回归是一种常用的统计分析方法，用于探究多个自变量对因变量的影响程度。
SPSS（Statistical Package for the Social Sciences）是一款常用的统计软件，可以进行多元线性回归分析，并提供了简便易用的操作界面。
本文将介绍SPSS中进行多元线性回归分析的实例操作步骤，帮助您快速掌握该分析方法的使用。
步骤一：准备数据在进行多元线性回归分析之前，首先需要准备好相关的数据。
数据应包含一个或多个自变量和一个因变量，以便进行回归分析。
数据可以来自实验、调查或其他来源，但应确保数据的质量和可靠性。
步骤二：导入数据在SPSS软件中，打开或创建一个新的数据集，然后将准备好的数据导入到数据集中。
可以通过导入Excel、CSV等格式的文件或手动输入数据的方式进行数据导入。
确保数据被正确地导入到SPSS中，并正确地显示在数据集的各个变量列中。
步骤三：进行多元线性回归分析在SPSS软件中，通过依次点击"分析"-"回归"-"线性"，打开线性回归分析对话框。
在对话框中，将因变量和自变量移入相应的输入框中。
可以使用鼠标拖拽或双击变量名称来快速进行变量的移动。
步骤四：设置分析选项在线性回归分析对话框中，可以设置一些分析选项，以满足具体的分析需求。
例如，可以选择是否计算标准化回归权重、残差和预测值，并选择是否进行方差分析和共线性统计检验等。
根据需要，适当调整这些选项。
步骤五：获取多元线性回归分析结果点击对话框中的"确定"按钮后，SPSS将自动进行多元线性回归分析，并生成相应的分析结果。
结果包括回归系数、显著性检验、残差统计和模型拟合度等信息，这些信息可以帮助我们理解自变量对因变量的贡献情况和模型的拟合程度。
步骤六：解读多元线性回归分析结果在获取多元线性回归分析结果之后，需要对结果进行解读，以得出准确的结论。
只有一个自变量和因变量的线性回归称为简单线性回归，但是实际上，这样单纯的关系在现实世界中几乎不存在，万事万物都是互相联系的，一个问题的产生必定多种因素共同作用的结果。
对于有多个自变量和一个因变量的线性回归称为多重线性回归，有的资料上称为多元线性回归，但我认为多元的意思应该是真的因变量而非自变量的，而且多重共线性这个说法，也是针对多个自变量产生的，因此我还是赞同叫做多重线性回归。
多重线性回归是适用条件和简单线性回归类似，也是自变量与因变量之间存在线性关系、残差相互独立、残差方差齐性，残差呈正态分布，但是由于自变量多于1个，因此还需要要求自变量之间不存在相关性，即不存在多重共线性，但是完全不存在相关的两个变量是不存在的，因此条件放宽为只要不是强相关性，都可以接受。
多重线性回归在SPSS中的操作过程和简单线性回归一样，只是设置的内容多了一些，并且由于考察的信息较多，建议设定分析步骤，常用的步骤为
1.绘制散点图，判断是否存在线性趋势
2.初步建模，包括设定变量筛选方法
3.残差分析，分析建模之后的残差的正态性，独立性，方差齐性等问题
4.强影响点和多重共线性的判断
5.根据以上分析结果修正模型，并重复3-4，直到模型达到最优效果
分析—回归—线性。
spss多元回归分析案例SPSS多元回归分析是一种常用的统计方法，可以通过分析多个自变量对一个或多个因变量的影响程度，帮助研究者理解变量之间的关系以及预测变量之间的变化情况。
以下是一个关于人们消费意愿的多元回归分析的案例。
假设我们想研究人们的消费意愿受到收入水平、年龄和受教育水平的影响程度。
我们收集了100个参与者的数据，包括他们的收入、年龄、受教育水平以及消费意愿。
下面将介绍如何使用SPSS进行多元回归分析。
首先，在SPSS软件中打开数据文件，并选择"回归"菜单下的"线性回归"选项。
然后将因变量（消费意愿）拉入"因变量"框中，将自变量（收入、年龄、受教育水平）拉入"自变量"框中。
其次，点击"统计"按钮，在弹出的对话框中勾选"无多重共线性检验"、"离群值"和"样本相关矩阵"选项，并点击"确定"按钮。
接下来，点击"模型"按钮，在弹出的对话框中选择"全量"和"因素样本相关系数"选项，并点击"确定"按钮。
然后，点击"保存"按钮，在弹出的对话框中输入保存路径和文件名，并勾选"标准化残差"、"标准化预测值"和"离群值的DFITS"选项，并点击"确定"按钮。
最后，点击"OK"按钮开始进行多元回归分析。
在分析结果中，我们可以查看每个自变量的回归系数、标准误、t值以及显著性水平。
还可以查看整体模型的解释力、统计显著性和调整R 平方。
根据分析结果，我们可以得出结论：收入水平、年龄和受教育水平对消费意愿有显著影响。
收入水平对消费意愿的影响最大，其次是受教育水平，年龄对消费意愿的影响较小。
多元回归分析SPSS
SPSS可以进行多元回归分析的步骤如下：
1.导入数据：首先需要将所需的数据导入SPSS软件中。
可以使用SPSS的数据导入功能，将数据从外部文件导入到工作空间中。
2.选择自变量和因变量：在进行多元回归分析之前，需要确定作为自
变量和因变量的变量。
在SPSS中，可以使用变量视图来选择所需的变量。
3.进行多元回归分析：在SPSS的分析菜单中，选择回归选项。
然后
选择多元回归分析，在弹出的对话框中将因变量和自变量输入相应的框中。
可以选择是否进行数据转换和标准化等选项。
4.分析结果的解释：多元回归分析完成后，SPSS将生成一个回归模
型的结果报告。
该报告包括各个自变量的系数、显著性水平、调整R平方
等统计指标。
根据这些统计指标可以判断自变量与因变量之间的关系强度
和显著性。
5.进一步分析：在多元回归分析中，还可以进行进一步的分析，例如
检查多重共线性、检验模型的假设、进一步探索变量之间的交互作用等。
通过多元回归分析可以帮助研究者理解因变量与自变量之间的关系，
预测因变量的值，并且确定哪些自变量对因变量的解释更为重要。
在
SPSS中进行多元回归分析可以方便地进行数值计算和统计推断，提高研
究的科学性和可信度。
总结来说，多元回归分析是一种重要的统计分析方法，而SPSS是一
个功能强大的统计软件工具。
通过结合SPSS的多元回归分析功能，研究
者可以更快速、准确地进行多元回归分析并解释结果。
以上就是多元回归分析SPSS的相关内容简介。
企业管理对居民消费率影响因素的探究---以湖北省为例改革开放以来,我国经济始终保持着高速增长的趋势,三十多年间综合国力得到显著增强,但我国居民消费率一直偏低,甚至一直有下降的趋势。
居民消费率的偏低必然会导致我国内需的不足,进而会影响我国经济的长期健康发展。
本模型以湖北省1995年-2010年数据为例，探究各因素对居民消费率的影响及多元关系。
（注：计算我国居民的消费率,用居民的人均消费除以人均GDP,得到居民的消费率）。
通常来说，影响居民消费率的因素是多方面的，如:居民总收入，人均GDP，人口结构状况1（儿童抚养系数，老年抚养系数），居民消费价格指数增长率等因素。
（注：数据来自《湖北省统计年鉴》）总消费(C:亿元) 总GDP（亿元）消费率(%)1995 1095.97 2109.38 51.96 1997 1438.12 2856.47 50.35 2000 1594.08 3545.39 44.96 2001 1767.38 3880.53 45.54 2002 1951.54 4212.82 46.32 2003 2188.05 4757.45 45.99 2004 2452.62 5633.24 43.54 2005 2785.42 6590.19 42.27 2006 3124.37 7617.47 41.02 2007 3709.69 9333.4 39.75 2008 4225.38 11328.92 37.30 2009 4456.31 12961.1 34.38 2010 5136.78 15806.09 32.50一、计量经济模型分析(一)、数据搜集根据以上分析，本模型在影响居民消费率因素中引入6个解释变量。
X1:居民1.人口年龄结构一种比较精准的描述是：儿童抚养系数(0-14岁人口与 15-64岁人口的比值)、老年抚养系数(65岁及以上人口与15-64岁人口的比值〉或总抚养系数(儿童和老年抚养系数之和)。
多重线性回归-SPSS教程一、问题与数据最大携氧能力（maximal aerobic capacity，VO2 max）是评价人体健康的关键指标，但测量方法复杂，不易实现。
具体原因在于，它不仅需要昂贵的试验设备，还需要研究对象运动到个人承受能力的极限，无法测量那些没有运动意愿或患有高危疾病无法运动的研究对象。
因此，某研究者拟通过一些方便、易得的指标建立研究对象最大携氧能力的预测模型。
该研究者共招募100位研究对象，分别测量他们的最大携氧能力（VO2 max），并收集年龄（age）、体重（weight）、运动后心率（heart_rate）和性别（gender）等变量信息。
部分数据图1。
图1 部分数据二、对问题分析研究者想根据一些变量（age、weight、heart_rate和gender）预测另一个变量（VO2 max）。
针对这种情况，可以使用多重线性回归分析，但需要先满足以下8项假设：假设1：因变量是连续变量。
假设2：自变量不少于2个（连续变量或分类变量都可以）。
假设3：各观测值之间相互独立，即残差之间不存在自相关。
假设4：因变量和自变量之间存在线性关系。
假设5：残差的方差齐。
假设6：不存在多重共线性。
假设7：没有显著异常值。
假设8：残差近似正态分布。
假设1和假设2与研究设计有关。
本研究数据符合假设1和2。
如何考虑假设3-8呢？三、SPSS操作3.1 多重线性回归SPSS运行多重线性回归后，可以在结果中检验假设3-8。
在主界面点击Analyze→Regression→Linear，在Linear Regression对话框中，将因变量（VO2 max）放入Dependent栏，再将自变量（age，weight，heart_rate和gender）放入Independent栏。
如图2。
图2 Linear Regression由于本研究的目的是通过现有数据建立预测模型预测VO2 max，并非筛选变量，因此Method栏应设置为“Enter”，一般是SPSS自动设置的；如果不是，也应人工设置为“Enter”。
SPSS多元线性回归分析报告实例操作步骤步骤1：导入数据首先，打开SPSS软件，并导入准备进行多元线性回归分析的数据集。
在菜单栏中选择"File"，然后选择"Open"，在弹出的窗口中选择数据集的位置并点击"Open"按钮。
步骤2：选择变量在SPSS的数据视图中，选择需要用于分析的相关自变量和因变量。
选中的变量将会显示在变量视图中。
确保选择的变量是数值型的，因为多元线性回归只适用于数值型变量。
步骤3：进行多元线性回归分析在菜单栏中选择"Analyze"，然后选择"Regression"，再选择"Linear"。
这将打开多元线性回归的对话框。
将因变量移动到"Dependent"框中，将自变量移动到"Independent(s)"框中，并点击"OK"按钮。
步骤4：检查多元线性回归的假设在多元线性回归的结果中，需要检查多元线性回归的基本假设。
这些假设包括线性关系、多重共线性、正态分布、独立性和等方差性。
可以通过多元线性回归的结果来进行检查。
步骤5：解读多元线性回归结果多元线性回归的结果会显示在输出窗口的回归系数表中。
可以检查各个自变量的回归系数、标准误差、显著性水平和置信区间。
同时，还可以检查回归模型的显著性和解释力。
步骤6：完成多元线性回归分析报告根据多元线性回归的结果，可以编写一份完整的多元线性回归分析报告。
报告应包括简要介绍、研究问题、分析方法、回归模型的假设、回归结果的解释以及进一步分析的建议等。
下面是一个多元线性回归分析报告的示例：标题：多元线性回归分析报告介绍：本报告基于一份数据集，旨在探究x1、x2和x3对y的影响。
通过多元线性回归分析，我们可以确定各个自变量对因变量的贡献程度，并检验模型的显著性和准确性。
研究问题：本研究旨在探究x1、x2和x3对y的影响。
实验二多重回归分析一、实验目的研究样本数据离差阵、样本协方差阵，以及变量之间的相关系数（包括偏相关）并作相关性分析。
二、实验要求为研究高等院校人文社会科学研究中立项课题数受那些因素的影响，收集到某年31个地区部分高校有关社科研究方面的数据（见SPSS数据），利用此的数据，设定立项课题数X5为因变量（被解释变量），X2，X3，X4，X6,X7,X8为解释变量，作多重回归分析。
三、实验内容1.依次点击“分析→回归→线性回归”，得到如下图一所示：【图一】2.点击“统计量”，得到如下图二所示：【图二】3.点击“继续”，得到如下图三所示：【图三】4.点击“继续→确定”，得到如下表一所示：【表一】回归其中，容差（容忍度）：21i i Tol R =- 2i R 是解释变量i X 与其他解释变量间的复相关系数的平方。
容忍度取值范围为0-1，越接近0表示多重共线性越强，容忍度越接近于1表示多重共线性越弱。
方差膨胀因子（VIF ）：1iiV I F T o l =即为容忍度的倒数。
i VIF 的值大于等于1，i VIF 越小，说明多重共线性越弱。
可见，投入高级职称的人年数的容差最小，为0.007，多重共线性是最弱的，其次是投入人年数；获奖数的容差最大，为0.358，多重共线性最强。
其中，解释变量相关阵的特征根和方差比：如果解释变量有较强的相关性，则它们之间必然存在信息重叠。
可通过解释变量相关阵的特征值来反映。
解释变量相关阵的最大特征根能够解释说明解释变量信息的比例是最高的，其他特征根随其特征值的减小对解释变量方差的的解释能力依次减弱。
如果这些特征根中，最大特征根远远大于其他特征根，说明这些解释变量间具有相当多的重叠信息。
条件指数：是在特征值基础上的定义的能反映解释变量间多重共线性的指标mi ik λλ=i k 为第i 个条件指数，m λ是最大特征根。
通常当010i k ≤<时，认为多重共线性弱；当10100i k ≤<时，认为多重共线性较强；当是100i k ≥，认为多重共线性很严重。
可见，专著数、论文数及获奖数的多重共线性较强；投入人年数、投入高级职称的人年数及投入科研事业费的多重共线性较弱。
通过观察数据窗口的库克距离和杠杆值变量的值，发现没有明显的异常点。
综上分析，因此此模型需要改进。
将方法中的“进入”改为“逐步”，其余操作不变，如下图四所示：【图四】点击“确定”，得到如表二所示：【表二】回归可见，投入高级职称的人年数的容差最小，为0.024，多重共线性是最弱的，其次是论文数；投入科研经费的容差最大，为0.267，多重共线性最强。
通过观察数据窗口的库克距离和杠杆值变量的值，发现没有明显的异常点。
也可将方法改为“向后”，如下图五所示：【图五】点击“确定”，得出分析结果如下表三所示：【表三】回归输入／移去的变量(b)模型输入的变量移去的变量方法1 获奖数, 投入科研事业费（百元）,论文数, 专著数, 投入人年数, 投入高级职称的人年数(a). 输入2. 专著数向后（准则:F-to-r emove 的概率<= .100）。
3. 投入高级职称的人年数向后（准则:F-to-remove 的概率<= .100）。
4.投入科研事业费（百元）向后（准则:F-to-remove 的概率<= .100）。
5. 获奖数向后（准则:F-to-r emove 的概率<= .100）。
6. 论文数向后（准则:F-to-r emove 的概率<= .100）。
a 已输入所有请求的变量。
b 因变量: 课题总数模型摘要(g)模型R R 方调整的 R方估计的标准差更改统计量Durbin-WatsonR 方更改 F 更改df1 df2显著性F更改1 .969(a) .939 .924 231.5255 .939 61.532 6 24 .0002 .969(b) .939 .927 226.8644 .000 .004 1 24 .9533 .968(c) .937 .927 226.5820 -.002 .935 1 25 .3434 .965(d) .931 .923 232.0833 -.006 2.327 1 26 .1395 .963(e) .927 .921 234.8694 -.004 1.676 1 27 .2066 .959(f) .919 .917 241.9582 -.007 2.777 1 28 .107 1.747a 预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 专著数, 投入人年数, 投入高级职称的人年数。
b 预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 投入人年数, 投入高级职称的人年数。
c 预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 投入人年数。
d 预测变量:(常量), 获奖数, 论文数, 投入人年数。
e 预测变量:(常量), 论文数, 投入人年数。
f 预测变量:(常量), 投入人年数。
g 因变量: 课题总数ANOVA(g)模型平方和df 均方 F 显著性1 回归19790312.879 63298385.48061.532 .000(a)残差1286497.12124 53604.047 合计21076810.000302 回归19790123.766 53958024.75376.903 .000(b)残差1286686.23425 51467.449 合计21076810.000303 回归19741985.311 44935496.32896.135 .000(c)残差1334824.68926 51339.411合计21076810.000304 回归19622518. 3 6540839.5121.436 .000(d)608 36 残差1454291.39227 53862.644 合计21076810.000305 回归19532228.232 29766114.116177.039 .000(e)残差1544581.76828 55163.635 合计21076810.000306 回归19379040.047 119379040.047331.018 .000(f)残差1697769.95329 58543.791合计21076810.00030a 预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 专著数, 投入人年数, 投入高级职称的人年数。
b 预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 投入人年数, 投入高级职称的人年数。
c 预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 投入人年数。
d 预测变量:(常量), 获奖数, 论文数, 投入人年数。
e 预测变量:(常量), 论文数, 投入人年数。
f 预测变量:(常量), 投入人年数。
g 因变量: 课题总数系数(a)模型非标准化系数标准化系数t 显著性B 的 95% 置信区B 标准误Beta 下限上限1 （常量）-35.313 76.580 -.461 .649 -193.367 122投入人年数.698 .208 1.361 3.352 .003 .268 1投入高级职称的人年数-.467 .626 -.464 -.747 .463 -1.759 投入科研事业费（百元）.003 .002 .237 1.601 .122 -.001 专著数.022 .377 .014 .059 .953 -.755论文数-.064 .053 -.252 -1.198 .243 -.173获奖数.712 .503 .119 1.416 .170 -.326 1 2 （常量）-36.246 73.442 -.494 .626 -187.504 115投入人年数.692 .176 1.349 3.932 .001 .329 1投入高级职称的人年数-.443 .458 -.439 -.967 .343 -1.385投入科研事业费（百元）.003 .002 .240 1.778 .088 .000 论文数-.064 .052 -.253 -1.230 .230 -.170获奖数.701 .453 .117 1.548 .134 -.232 1 3 （常量）-29.791 73.047 -.408 .687 -179.942 120投入人年数.553 .102 1.079 5.411 .000 .343投入科研事业费（百元）.002 .001 .152 1.525 .139 -.001 论文数-.088 .045 -.348 -1.934 .064 -.181获奖数.716 .452 .120 1.586 .125 -.212 1 4 （常量）-63.385 71.340 -.889 .382 -209.762 82投入人年数.644 .085 1.255 7.527 .000 .468论文数-.096 .046 -.381 -2.081 .047 -.191 -获奖数.589 .455 .099 1.295 .206 -.344 1 5 （常量）-67.925 72.109 -.942 .354 -215.633 79投入人年数.628 .086 1.224 7.330 .000 .452论文数-.070 .042 -.278 -1.666 .107 -.1566 （常量）-94.524 72.442 -1.305 .202 -242.685 53投入人年数.492 .027 .959 18.194 .000 .436a 因变量: 课题总数系数相关(a)模型获奖数投入科研事业费（百元）论文数专著数投入人年数投入高级职称的人年数1 相关性获奖数 1.000 -.048 -.310 .396 .181 -.239投入科研事业费（百元）-.048 1.000 .347 -.363 .057 -.226论文数-.310 .347 1.000 .070 .017 -.404专著数.396 -.363 .070 1.000 .506 -.666投入人年数.181 .057 .017 .506 1.000 -.860 投入高级职称的人年数-.239 -.226 -.404 -.666 -.860 1.000协方差获奖数.253 -4.396E-05-.008 .075 .019 -.075投入科-4.396 3.377E-0 3.383E.000 2.163E.000研事业费（百元）E-05 6 -05 -05论文数-.008 3.383E-05.003 .001 .000 -.013专著数.075 .000 .001 .142 .040 -.157投入人年数.0192.163E-05.000 .040 .043 -.112投入高级职称的人年数-.075 .000 -.013 -.157 -.112 .3922 相关性获奖数 1.000 .112 -.369 -.025 .036投入科研事业费（百元）.112 1.000 .401 .299 -.673论文数-.369 .401 1.000 -.022 -.480投入人年数-.025 .299 -.022 1.000 -.813 投入高级职称的人年数.036 -.673 -.480 -.813 1.000协方差获奖数.205 8.537E-05-.009 -.002 .008投入科研事业费（百元）8.537E-052.815E-063.486E-058.828E-05-.001论文数-.009 3.486E-05.003 .000 -.011投入人年数-.0028.828E-05.000 .031 -.065投入高级职称的人年数.008 -.001 -.011 -.065 .2093 相关性获奖数 1.000 .185 -.401 .008投入科研事业费（百元）.185 1.000 .119 -.578论文数-.401 .119 1.000 -.807投入人年数.008 -.578 -.807 1.000 协方差获奖数.204 .000 -.008 .000 投入科研事业费（百元）.0001.535E-066.719E-06-7.320E-05论文数-.008 6.719E-06.002 -.004投入人年数.000-7.320E-05-.004 .0104 相关性获奖数 1.000 -.434 .144论文数-.434 1.000 -.911投入人年数.144 -.911 1.000 协方差获奖数.207 -.009 .006论文数-.009 .002 -.004投入人年数.006 -.004 .007 5 相关性论文数 1.000 -.952投入人年数-.952 1.000 协方差论文数.002 -.003投入人年数-.003 .007 6 相关性投入人年数1.000协方差投入人年数.001 a 因变量: 课题总数共线性诊断(a)模型维特征值条件索引方差比例（常量）投入人年数投入高级职称的人年数投入科研事业费（百元）专著数论文数获奖数1 1 6.137 1.000 .01 .00 .00 .00 .00 .00 .002 .452 3.684 .33 .00 .00 .03 .01 .00 .043 .294 4.572 .32 .00 .00 .01 .00 .00 .394 .073 9.142 .26 .01 .00 .39 .00 .06 .295 .028 14.719 .09 .03 .00 .37 .55 .02 .156 .014 21.020 .00 .12 .01 .17 .00 .82 .067 .002 58.796 .00 .84 .98 .03 .44 .10 .052 1 5.247 1.000 .01 .00 .00 .00 .00 .012 .382 3.706 .52 .00 .00 .06 .00 .013 .280 4.325 .16 .00 .00 .04 .00 .554 .073 8.466 .29 .01 .00 .41 .06 .385 .014 19.403 .00 .18 .02 .14 .80 .066 .003 41.788 .02 .80 .97 .35 .14 .00 3 1 4.273 1.000 .01 .00 .01 .00 .012 .369 3.401 .54 .00 .13 .00 .003 .277 3.925 .14 .00 .09 .00 .544 .067 7.987 .31 .07 .59 .13 .415 .013 18.195 .00 .93 .17 .87 .04 4 1 3.514 1.000 .02 .00 .00 .022 .314 3.346 .73 .00 .00 .223 .157 4.727 .23 .06 .02 .654 .015 15.232 .02 .93 .97 .115 1 2.732 1.000 .04 .00 .002 .251 3.299 .95 .02 .023 .017 12.725 .01 .97 .986 1 1.800 1.000 .10 .102 .200 3.001 .90 .90a 因变量: 课题总数已排除的变量(f)模型Beta In t 显著性偏相关共线性统计量容差VIF最小容差2 专著数.014(a).059 .953 .012 .046 21.875 .0073 专著数-.103(b)-.592 .559 -.118 .082 12.179 .059投入高级职称的人年数-.439(b)-.967 .343 -.190 .012 84.526 .0124 专著数.080(c).632 .533 .123 .164 6.091 .064投入高级职称的人年数.104(c).299 .767 .059 .022 46.195 .022投入科研事业费（百元）.152(c)1.525 .139 .287 .246 4.069 .0615 专著数.016(d).131 .897 .025 .188 5.314 .065投入高级职称的人年数.035(d).100 .921 .019 .022 45.121 .022投入科研事.123(d 1.220 .233 .229 .254 3.930 .061业费（百元）)获奖数.099(d)1.295 .206 .242 .4402.274 .076 6 专著数.023(e).182 .857 .034 .188 5.308 .188投入高级职称的人年数-.119(e)-.343 .734 -.065 .024 41.733 .024投入科研事业费（百元）.152(e)1.528 .138 .278 .267 3.748 .267获奖数.030(e).411 .684 .077 .542 1.846 .542 论文数-.278(e)-1.666 .107 -.300 .094 10.650 .094a 模型中的预测变量:(常量), 获奖数, 投入科研事业费（百元）, 论文数, 投入人年数, 投入高级职称的人年数。
