SPSS一元线性回归分析

### 使用 SPSS 进行一元线性回归分析

#### 准备数据集
为了进行一元线性回归分析，需准备一个包含两个变量的数据集：一个是因变量（Y），另一个是自变量（X）。确保这两个变量之间存在潜在的相关关系。

#### 启动 SPSS 并加载数据文件
打开 SPSS 软件并导入含有目标变量的数据文件。这可以通过点击菜单栏中的 **File -> Open -> Data** 来完成[^1]。

#### 执行一元线性回归操作
进入主界面后，在顶部菜单选择 **Analyze -> Regression -> Linear...**

此时会弹出 “Linear Regression” 对话框：

- 将代表因变量 Y 的列拖放到 Dependent 框内；
- 把作为自变量 X 的那一列移到 Independent(s) 框里；
- 如果有需要的话，还可以设置其他选项比如 Method 下拉列表可以选择 Enter 方法来强制输入所有独立变数到模型中去[^2]。

#### 设置保存预测值和其他输出项
在同一个对话框下方找到 Save 按钮并单击它，勾选 Unstandardized prediction values 复选框以便让程序计算并存储每个观测点对应的预测得分。完成后按 Continue 返回上一层级窗口。

#### 获取结果报告
确认配置无误之后按下 OK 键提交命令序列给软件处理。稍候片刻即可得到完整的回归方程及相关统计量表格展示于 Output Viewer 中，其中包括但不限于 R² 值、调整后的R²、F检验显著性水平以及各个系数估计的标准误差等重要参数。

# Python模拟SPSS操作流程(仅作示意用途)

import pandas as pd
from sklearn.linear_model import LinearRegression

# 加载数据
data = pd.read_csv('your_dataset.csv')
X = data[['independent_variable']]  # 自变量
y = data['dependent_variable']      # 因变量

# 创建模型对象
model = LinearRegression()

# 训练模型
model.fit(X, y)

# 输出回归系数和截距
print(f'斜率: {model.coef_[0]}')
print(f'截距: {model.intercept_}')