SPSS教程一、问题与数据
最大携氧能力（maximal aerobic capacity，VO2max）是评价人体健康的关键指标，但因测量方法复杂，不易实现。具体原因在于，它不仅需要昂贵的试验设备，还需要受试者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受试者。
因此，某研究者拟通过一些方便、易得的指标建立受试者最大携氧能力的预测模型。该研究者共招募100位受试者，分别测量他们的最大携氧能力（VO2max），并收集年龄（age）、体重（weight）、心率（heart_rate）和性别（gender）等变量信息，部分数据如下：
注：心率（heart_rate）测量的是受试者进行20分钟低强度踏板试验中，最后5分钟的平均心率。
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（VO2max）。针对这种情况，我们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：具有相互独立的观测值
-
假设4：自变量和因变量之间存在线性关系
-
假设5：等方差性
-
假设6：不存在多重共线性
-
假设7：不存在显著的异常值
-
假设8：残差近似正态分布
那么，进行多重线性回归分析时，如何考虑和处理这8项假设呢？
思维导图
三、SPSS操作
四、结果解释
五、撰写结论
1. 简洁汇报
本研究采用多重线性回归，根据性别、年龄、体重和心率预测最大携氧能力。回归模型具有统计学意义F(4,95) = 32.393（P<0.001），调整R2 =0.56。纳入模型的4个自变量对最大携氧能力的影响均有统计学意义（P<0.05），具体结果见表1。
表1. 多重线性回归结果
2. 具体汇报
本研究采用多重线性回归，根据性别、年龄、体重和心率预测最大携氧能力。通过绘制部分回归散点图和学生化残差与预测值的散点图，判断自变量和因变量之间存在线性关系。
已验证研究观测值之间相互独立（Durbin-Watson检验值为1.910）；并通过绘制学生化残差与未标化的预测值之间的散点图，证实数据具有等方差性。回归容忍度均大于0.1，不存在多重共线性。异常值检验中，不存在学生化删除残差大于3倍标准差的观测值，数据杠杆值均小于0.2，也没有Cook距离大于1的数值。Q-Q图提示，研究数据满足正态假设。
回归模型具有统计学意义F(4,95) = 32.393（P<0.001），调整R2 =0.56。纳入模型的4个自变量对最大携氧能力的影响均有统计学意义（P<0.05），具体结果见表1。
表1. 多重线性回归结果
六、更多阅读
-
那么多变量，我该选择哪些进入统计模型呢？
多因素回归分析的变量选择包括很多方法，大家可能用的最多的是逐步回归。为啥逐步回归这么人见人爱呢？小伙伴一定会说方便可靠啊！
-
前进法、后退法...细讲下这些自变量筛选方法！
当自变量之间的关系较为复杂，对于变量的取舍不易把握时，我们还可以利用逐步回归的方法进行变量筛选，以解决自变量多重共线性的问题。逐步回归法从共线性的自变量中筛选出对因变量影响较为显著的若干个变量，把对因变量贡献不大的自变量排除在模型之外。
-
说到控制混杂因素，怎么能不提多因素分析！
分层分析仅仅适用于混杂因素较少，且多为分类变量的情况。当我们的研究中存在较多的混杂因素，且混杂因素较为复杂（例如混杂因素为多分类变量或连续变量）时，应该如何对混杂因素进行控制和调整呢？