回归分析指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，实质上就是研究一个或多个自变量X对一个因变量Y（定量数据) 的影响关系情况。
回归分析按照涉及的变量的多少，分为一元回归和多元回归分析。当只有一个自变量时，是一元线性回归，又称作简单线性回归；自变量为2个及以上时，称为多元线性回归。
推荐使用SPSSAU，提供回归分析方法进行在线数据分析，两步操作即可得出分析结果。
打开SPSSAU，按照【通用方法】→【线性回归】找到线性回归分析方法按钮，如下图：
拖拽要进行分析的变量进入分析区域，点击【开始分析】按钮即生成结果，快速完成分析。
举个例子：对性别、年龄、月收入水平、产品、促销、渠道、价格、个性化服务、隐私保护共九个变量作为自变量，而将购买意愿作为因变量的数据进行线性回归分析。
SPSSAU还提供了分析建议及智能分析文字，如下图，可直接复制使用。
如果还需要做数据预测，可直接输入X的值得到预测值，如下图：
对于引入模型的自变量，通常没有个数要求。但从经验上看，不要一次性放入太多自变量。如果同时自变量太多，容易引起共线性问题。那么怎么检测呢？一般使用VIF值为判断共线性问题。如下所述：
VIF值用于检测共线性问题,一般VIF值小于10即说明没有共线性(严格的标准是5)，有时候会以容差值作为标准,容差值=1/VIF，所以容差值大于0.1则说明没有共线性(严格是大于0.2)，VIF和容差值有逻辑对应关系,因此二选一即可,一般描述VIF值。
如果出现多重共线性问题，一般可有3种解决办法：
一是使用逐步回归分析（让模型自动剔除掉共线性过高项）；二是使用岭回归分析（使用数学方法解决共线性问题），三是进行相关分析，手工移出相关性非常高的分析项（通过主观分析解决），然后再做线性回归分析。
理论上，回归分析的因变量要求需服从正态分布，SPSSAU提供多种检验正态性的方法。
如果出现数据不正态，可以进行对数处理。若数据为问卷数据，建议可跳过正态性检验这一步。原因在于问卷数据属于等级数据，很难保证正态性，且数据本身变化幅度就不大，即使对数处理效果也不明显。
一般来说，回归分析之前需要做相关分析，原因在于相关分析可以先了解是否有关系，回归分析是研究有没有影响关系，有相关关系但并不一定有回归影响关系。当然回归分析之前也可以使用散点图查看数据关系。相关分析的操作步骤可以看这里：SPSSAU：全流程总结相关分析
【更多内容登录SPSSAU官网了解】
SPSSAU：从问卷设计到数据分析，近百篇教程合集真是太太太全面了！
