逐步回归分析结果解读
一、方法概述
逐步回归分析（Stepwise Regression）是一种通过算法自动筛选变量的回归建模方法。其核心原理是在每一步迭代中，根据偏F检验或AIC/BIC等信息准则，依次将显著性最高的自变量引入模型，同时将已引入但不再显著的变量剔除，直至没有变量可进可出为止。该方法适用于自变量数目较多、研究者希望在保证解释力的前提下精简模型的情境，在心理学、教育学、管理学等领域中被广泛用于探索性建模与变量筛选。借助SPSSAU软件，研究者可以便捷地完成逐步回归的全部计算流程并获得规范化的输出结果。
在SPSSAU【进阶方法】模块选择【逐步回归】，将变量拖拽至右侧对应分析框，选择变量进入方法，设置定类变量后SPSSAU自动进行哑变量处理，操作如下图：
二、样本缺失情况
表1报告了本次分析的有效样本情况。全部280条观测均纳入建模过程，无任何样本因缺失值而被剔除。这意味着参数估计不会因样本选择而引入额外偏误，后续回归系数与模型拟合指标均建立在完整样本基础之上。
三、逐步回归迭代过程
因变量 = y；迭代方式 = 逐步法
表2详细记录了逐步回归的变量进入过程。第1步仅x1进入模型，其非标准化系数为2.041（t=19.155，p<0.001），说明x1对因变量y具有最强的独立解释力。第2步x2被引入，系数为1.206（t=14.209，p<0.001），在控制x1之后仍能提供显著的增量解释。第3步x3进入模型，系数为-0.883（t=-15.255，p<0.001），呈现显著的负向效应。第4步x6以边际显著水平进入（B=-0.144，t=-2.262，p=0.024），至此逐步筛选过程终止。从迭代过程中还可以观察到，随着变量逐步引入，常数项和各系数的标准误持续缩小，表明模型精度在逐步提升。
四、逐步回归分析主体结果
* p<0.05 ** p<0.01
表3报告了逐步回归最终模型的完整估计结果。模型共纳入4个自变量（x1、x2、x3、x6），整体F检验高度显著（F(4,275)=448.937，p<0.001），表明回归方程具有统计学意义。
从决定系数来看，R²=0.867，调整R²=0.865，说明4个自变量共同解释了因变量y约86.7%的变异，模型解释力极强。Durbin-Watson值为1.971，非常接近2的理论无自相关值，提示残差序列不存在明显的一阶自相关问题。
从各自变量的标准化回归系数（Beta）来看，x1的标准化系数最大（Beta=0.730，t=33.139，p<0.001），对y的正向影响最为突出；x2次之（Beta=0.406，t=18.426，p<0.001），同样呈现显著正向效应；x3的标准化系数为-0.342（t=-15.480，p<0.001），对y具有显著负向影响；x6的标准化系数最小（Beta=-0.050，t=-2.262，p=0.024），虽然达到0.05水平的显著性，但相对贡献较弱。
共线性诊断方面，各自变量的方差膨胀因子（VIF）介于1.005至1.008之间，均远低于10的经验阈值，容忍度均高于0.99，表明自变量之间不存在多重共线性问题，回归系数的估计稳定可靠。
* p<0.05 ** p<0.01；括号内为t值；因变量=y；D-W值=1.971
表4以简化格式呈现回归系数及其95%置信区间。常数项的95%CI为[4.857, 5.103]，区间较窄且不包含0，估计精度较高。x1的95%CI为[1.858, 2.093]，x2为[1.025, 1.270]，x3为[-1.004, -0.778]，均不包含0，进一步印证了上述变量效应的统计显著性。x6的95%CI为[-0.269, -0.019]，虽然区间较宽且接近0，但仍未涵盖0值，与其p=0.024的结果一致。
五、图形结果解读
图1 逐步回归分析图
图1为SPSSAU软件输出的逐步回归分析图，直观展示了各自变量对因变量的影响方向与相对强度。从图中可以看出，x1的回归效应最为突出，其系数值远大于其他变量；x2和x3分别呈现正向和负向效应，且效应量相当；x6的效应相对较小。图形结果与表3中的标准化系数排序一致，有助于研究者快速把握各变量的相对重要性。
图2 迭代过程图
图2展示了逐步回归的迭代过程，反映了每一步变量进入模型后模型拟合指标的变化轨迹。随着x1、x2、x3和x6依次被引入，模型解释力逐步提升，这一过程与表2中迭代记录的系数变化趋势相互印证。
六、结论
本研究采用逐步回归法对280条有效观测进行建模分析，最终纳入x1、x2、x3和x6四个自变量。模型整体拟合优良（R²=0.867，F(4,275)=448.937，p<0.001），残差无显著自相关（D-W=1.971）。其中x1（Beta=0.730）和x2（Beta=0.406）对因变量具有显著正向影响，x3（Beta=-0.342）和x6（Beta=-0.050）具有显著负向影响。所有变量的VIF值均接近1，不存在多重共线性问题。上述结果表明，逐步回归有效筛选出对因变量具有独立解释力的核心变量，模型结果可为后续理论分析与预测提供可靠的统计依据。