多數(shù)情況下，變量關(guān)系研究是問卷研究的核心，變量關(guān)系研究包括相關(guān)分析，線性回歸分析，中介作用分析，調(diào)節(jié)作用分析等，并且如果因變量Y值是分類數(shù)據(jù)，則會涉及Logistic回歸分析。相關(guān)分析是研究兩兩變量之間的相關(guān)關(guān)系情況，線性回歸分析或者Logistic回歸分析均是研究影響關(guān)系，區(qū)別在于線性回歸分析的因變量Y值是定量數(shù)據(jù)，而Logistic回歸分析的因變量Y值是分類數(shù)據(jù)。中介作用或者調(diào)節(jié)作用研究是更深入的關(guān)系研究分析，會在之后的文章中介紹。本文重點對相關(guān)分析和回歸分析的常見問題進行解答。

相關(guān)和回歸的關(guān)系和區(qū)別

相關(guān)分析和回歸分析，二者既有聯(lián)系，又有區(qū)別。接下來詳細說明。

相關(guān)分析：研究有沒有關(guān)系，關(guān)系強度如何。

回歸分析：研究影響關(guān)系如何，有沒有影響關(guān)系，影響關(guān)系如何。

相關(guān)分析是研究有沒有關(guān)系，回歸分析是研究影響關(guān)系。明顯地，相關(guān)分析是基礎(chǔ)，然后再進行回歸分析。首先需要知道有沒有相關(guān)關(guān)系；有了相關(guān)關(guān)系，才可能有回歸影響關(guān)系；如果沒有相關(guān)關(guān)系，是不應(yīng)該有回歸影響關(guān)系的。因而從分析角度，應(yīng)該先進行相關(guān)分析，完成相關(guān)分析后，確認有了相關(guān)分析，再進行回歸分析。

有時候會出現(xiàn)奇怪的現(xiàn)象，比如：

有回歸影響關(guān)系，但是卻沒有相關(guān)關(guān)系【此時建議以‘沒有相關(guān)關(guān)系作為結(jié)論’】

負向影響關(guān)系，但卻是正向相關(guān)關(guān)系【此時建議以‘有相關(guān)關(guān)系但沒有回歸影響關(guān)系作為結(jié)論’】

相關(guān)分析-回歸分析常見問題

1）回歸分析缺少Y

回歸分析是研究X對于Y的影響。有時候由于問卷設(shè)計問題，導(dǎo)致直接缺少了Y，建議可以考慮將X所有題項概括計算平均值來表示Y。（SPSSAU用戶使用“生成變量”的平均值功能）

另提示：如果問卷中并沒有設(shè)計出Y對應(yīng)的題項，沒有其它辦法可以處理

2）是否需要進行散點圖分析？

散點圖可以直觀展示兩個變量之間的關(guān)系，通常情況下需要首先進行散點圖分析，再進行相關(guān)關(guān)系分析，接著進行回歸分析。

3）相關(guān)分析應(yīng)該選擇Pearson還是Spearman？

相關(guān)系數(shù)分為兩種，分別是Pearson相關(guān)系數(shù)和Spearman相關(guān)系數(shù)。絕大多數(shù)情況下均使用Pearson相關(guān)系數(shù)，軟件默認使用Pearson相關(guān)系數(shù)。如果研究時發(fā)現(xiàn)研究變量嚴重的不正態(tài)分布，此時使用Spearman相關(guān)系數(shù)較為合適。

4）相關(guān)分析結(jié)果與線性回歸分析結(jié)果矛盾？

如果相關(guān)分析結(jié)果與線性回歸分析矛盾，比如沒有相關(guān)關(guān)系，但是卻呈現(xiàn)出顯著的回歸影響關(guān)系。也或者變量之間為顯著正相關(guān)，但是卻出現(xiàn)負向回歸影響關(guān)系。此時應(yīng)該以相關(guān)分析結(jié)論為準，出現(xiàn)此類問題的原因很可能是Suppressor effect(壓抑效應(yīng))。

5）分類數(shù)據(jù)作為自變量如何進行回歸分析？

如果分類數(shù)據(jù)希望作為自變量放入模型，應(yīng)該首先將分類數(shù)據(jù)進行虛擬變量處理，然后再放入模型中，虛擬變量處理可參考5.2.8部分。

6）分類數(shù)據(jù)作因變量時的分析方法。

如果分類數(shù)據(jù)作為因變量，此時應(yīng)該使用Logistic回歸分析，具體Logistic回歸分析的類別選擇，可以參考10.2.4部分。

7）回歸分析沒有通過F檢驗，但回歸系數(shù)呈現(xiàn)出顯著性。

如果回歸分析并沒有通過F檢驗，此說明所有自變量X均不應(yīng)該對因變量Y產(chǎn)生影響關(guān)系，即研究模型沒有意義。此時即使回歸系數(shù)呈現(xiàn)出顯著性，也應(yīng)該以F檢驗結(jié)果為準，即說明自變量X不會對因變量Y產(chǎn)生影響關(guān)系。

8）回歸分析時VIF值高于10。

如果VIF值高于10，說明具有嚴重的多重共線性問題，此時模型結(jié)論不可信。針對多重共線性問題，最佳的處理辦法是對題項進行探索性因子分析，利用探索性因子分析得到的因子得分重新進行回歸分析。除此之外，也可以將自變量進行相關(guān)分析，找出相關(guān)關(guān)系最為緊密的研究變量，將此類變量移出回歸分析重新進行分析。

9）回歸分析時，某變量沒有呈現(xiàn)出顯著性，但理論上確認肯定應(yīng)該顯著。

如果回歸分析時某研究變量沒有呈現(xiàn)出顯著性，但是理論上認為應(yīng)該具有顯著性，此時可以考慮對樣本進行篩選處理，以及將樣本個人背景信息作為控制變量加入模型,重新進行分析。

10）R平方值很小，低于0.4。

R平方值表示模型的解釋力度，即模型擬合度情況，此值介于0~1之間，數(shù)值越大，說明模型擬合度越高，通常情況下越大越好。實際研究中，此指標的意義相對較小，即使此指標小于0.4也沒有關(guān)系。應(yīng)該重點關(guān)注自變量X與因變量Y之間的回歸關(guān)系，即自變量是否呈現(xiàn)出顯著性。

11）調(diào)整R平方值為負數(shù)。

調(diào)整R平方值可以為負數(shù)，如果出現(xiàn)負數(shù)時，通常情況下R平方值會非常小，接近于0，模型基本沒有意義。

12）控制變量是什么，用處是什么？

控制變量，實質(zhì)就是自變量，但通常該類變量并非研究核心變量，其可能會對模型產(chǎn)生干擾，因此也需要將其放入模型，并且稱之為控制變量。通常情況下控制變量為樣本基本背景信息題項，比如性別，學(xué)歷，年齡，收入等。將控制變量放入回歸模型中，目的在于防止此類變量對于研究帶來的干擾。通常情況下，控制變量為諸如性別，學(xué)歷等為分類數(shù)據(jù)，因而多數(shù)情況下控制變量需要進行虛擬變量處理。

13）探索性因子分析保存得分是否可以作為自變量？

如果一個研究變量對應(yīng)多個題項，常見的做法是將多個題項計算平均值，并且以平均值代表整體研究變量。如果對研究變量進行探索性因子分析，并且保存因子分析，也可以利用因子得分去代表對應(yīng)研究變量，進行相關(guān)或者回歸分析。

14）Hosmer and Lemeshow檢驗對應(yīng)P值小于0.05。

進行二元Logistic回歸分析時，如果Hosmer and Lemeshow檢驗顯示P值小于0.05，即說明模型擬合情況與實際情況有較大出入，模型并不理想?？梢钥紤]對自變量數(shù)據(jù)重新組合處理，也或者對因變量數(shù)據(jù)重新組合處理等多種方法測試，尋找出最優(yōu)結(jié)果。

15）整體預(yù)測準確率低于70%。

如果二元Logistic回歸分析顯示整體預(yù)測準確率較低，低于70%時，說明模型整體情況不佳。可以考慮對自變量進行重新組合處理，或者對個別無意義自變量進行刪除處理等，多種處理對比，找出最優(yōu)結(jié)果。

16）輸出結(jié)果中某項不顯示P值。

如果二元Logistic回歸分析中有分類數(shù)據(jù)，則模型會以某項作為參照對比項，參照對比項不會輸出P值等指標。