在大多数情况下，变量关系研究是问卷研究的核心。变量关系研究包括相关分析、线性回归分析、中介功能分析、调整功能分析等，如果变量Y值为分类数据，则涉及Logistic回归分析。相关分析是研究两个变量之间的相关关系，线性回归分析或者Logistic回归分析是影响关系的研究，区别在于线性回归分析的变量Y值是定量数据，Logistic回归因变量Y值的分析是分类数据。研究中介功能或调整功能是对关系的更深入的研究和分析，将在后面的文章中介绍。本文重点关注相关分析回归分析回答常见问题。

关系与回归的区别

相关分析和回归分析既有联系又有区别。下面详细说明。

相关分析：研究是否相关，关系强度如何。

回归分析:研究影响关系、影响关系和影响关系。

相关分析是研究是否有关系，回归分析是研究影响关系。显然，相关分析是基础，然后进行回归分析。首先，我们需要知道是否有相关关系；只有相关关系，才能有回归影响关系；如果没有相关关系，就不应该有回归影响关系。因此，从分析的角度来看，在进行回归分析之前，应首先进行相关分析。

有时会出现奇怪的现象，如：

有回归影响关系，但没有相关关系此时建议以无关系为结论

负面影响关系，但正面影响关系建议以相关关系但未回归影响关系为结论

回归分析常见问题

1）缺乏回归分析Y

回归分析是研究X对Y的影响。有时由于问卷设计问题，直接缺乏Y，建议考虑总结X所有问题的计算平均值Y。（SPSSAU用户使用生成变量的平均功能)

另一个提示：如果问卷中没有设计Y对应的问题，则没有其他方法可以处理

2）是否需要分析散点图？

散点图可以直观地显示两个变量之间的关系，通常需要先分析散点图，然后分析相关关系，然后进行回归分析。

3）应选择相关分析Pearson还是Spearman？

相关系数分为两种，分别是Pearson相关系数和Spearman相关系数。绝大多数情况下使用。Pearson相关系数，默认使用软件Pearson相关系数。如果发现研究变量严重，则不会正态分布，此时使用Spearman相关系数比较合适。

4）相关分析结果与线性回归分析结果相矛盾？

如果相关分析结果与线性回归分析相矛盾，如无关，则表现出明显的回归影响关系。或者变量之间存在明显的正相关性，但存在负回归影响关系。此时，应以相关分析结论为准。这些问题的原因可能是Suppressor
effect(抑制效应)。

5）作为分类数据自变量如何进行回归分析？

如果要将分类数据作为自变量放入模型，则应首先对分类数据进行分类虚拟变量然后放入模型中，虚拟变量处理可参考5.2.8部分。

6）分类数据作为变量的分析方法。

如果将数据分类为因变量，此时应使用Logistic回归分析，具体Logistic回归分析的类别选择可参考10.2.4部分。

7）回归分析失败F检验，但回归系数呈现显著性。

如果回归分析没有通过F检验，这表明所有自变量X不应影响变量Y，即研究模型毫无意义。此时，即使回归系数显著，也应以F检测结果为准，即自变量X不会影响变量Y。

8）回归分析时VIF值高于10。

如果VIF当模型结论不可信时，值高于10表明存在严重的多线性问题。对于多线性问题，最好的处理方法是分析问题的探索性因素，并利用探索性因素分析获得的因素得分进行回归分析。此外，还可以对自变量进行相关分析，找出关系最密切的研究变量，并将其移出回归分析进行重新分析。

9）在回归分析时，某个变量并不显著，但理论上肯定应该显著确认。

如果一个研究变量在回归分析时没有显著，但理论上应该显著。此时，可以考虑筛选样本，并将样本的个人背景信息添加到控制变量的模型中进行重新分析。

10）R平方值很小，低于0.4。

R平方值表示模型的解释强度，即模型拟合度，在0~1之间，值越大，模型拟合度越高，通常越大越好。在实际研究中，该指标的意义相对较小，即使该指标小于0.4。我们应该关注自变量X和因变量Y之间的回归关系，即自变量是否显著。

11）调整R平方值为负。

R平方值的调整可以是负数，如果出现负数，R平方值通常很小，接近0，模型基本没有意义。

12）控制变量有什么用？

控制变量本质上是自变量，但通常这种变量不是研究核心变量，可能会干扰模型，因此也需要将其放入模型中，称为控制变量。性别、学历、年龄、收入等基本背景信息问题通常控制变量。将控制变量放入回归模型，以防止这些变量干扰研究。通常情况下，控制变量是分类数据，如性别和学历，所以在大多数情况下，控制变量需要虚拟变量。

13）探索性因素分析保存得分能否作为自变量？

如果一个研究变量对应于多个问题，通常的方法是计算多个问题的平均值，并以平均值代表整个研究变量。如果探索因素分析和保存因素分析的研究变量，也可以使用因素分数代表相应的研究变量进行相关或回归分析。

14）Hosmer
and Lemeshow检验对应P值小于0.05。

进行二元Logistic如果回归分析Hosmer
and
LemeshowP值小于0.05意味着模型拟合与实际情况有很大的不同，模型并不理想。您可以考虑重新组合自变量数据，或测试因变量数据重新组合而找到最佳结果。

15）总体预测精度低于70%。

如果二元Logistic回归分析显示，当整体预测精度低于70%时，说明模型整体情况不佳。可以考虑重组自变量，也可以删除个别无意义自变量，比较各种处理，找出最佳结果。

16）输出结果中的一项未显示P值。

如果二元Logistic如果回归分析中有分类数据，模型将以某一项为参考对比项，参考对比项不会输出P值等指标。