一个因变量,多个自变量,有多年连续数据,怎样进行相关性分析？用spss，一年数据的我会做。连续四

1. 一个因变量,多个自变量,有多年连续数据,怎样进行相关性分析？用spss，一年数据的我会做。连续四

这种数据属于面板数据，spss简单处理 严格来说是不准确的，需要用stata 或 eviews来进行面板数据的分析

2. 请问在一个模型中，既要考虑时间，但又有多个自变量，这到底是时间序列数据，还是面板数据啊？

是时间序列模型，面板数据还要包括多个截面的，多个自变量就是多元的时间序列模型。举个例子，如果考虑2000-2010年某公司的多个财务指标变量，既包含时间，又有多个自变量，属时间序列模型；但如果考虑2000-2010年多个不同公司的几个财务指标变量，截面就是多个公司，这种情况才属面板数据。

3. 想问一下数据有多个自变量，1个因变量，第一张图片是建立二元logistic吗？第二张图片又是建立什

相关分析

logit回归
1.打开数据，依次点击：analyse--regression--binarylogistic，打开二分回归对话框。
2.将因变量和自变量放入格子的列表里，上面的是因变量，下面的是自变量。
3.设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法。
4.等级资料，连续资料不需要设置虚拟变量。多分类变量需要设置虚拟变量。
5.选项里面至少选择95%CI。
点击ok。

相关分析，通常来讲，社会经济现象存在的依存关系简单分为两种类型，
首先是函数关系，其次是相关关系。相关性分析由统计学家K. Pearson创建。
相关分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。
统计专业研究生工作室为您服务，需要专业数据分析可以找我

4. 不同年份的数据可以做线性回归吗？还是属于时间序列分析？

属于时间序列预测
如果用简单的回归模型来做 并不是很准确的
在spss中有一项是预测的菜单，其中就是考虑时间序列后的分析预测，有点类似于回归分析，但是它会考虑到时间序列的影响，同时也有自变量和因变量的

5. 要分析多个自变量与因变量的关系 用什么统计方法

多元线性回归
多因变量的模型：VAR模型、结构方程模型（路径分析）还有联立方程模型等等，VAR最简单

6. 回归分析的种类

如果因变量是(非时间的)连续变量（即一般定量资料），设自变量的个数为k，当k＝1时，回归分析的种类有：①直线回归分析；②通过直线化实现的简单曲线回归分析（以下简称为曲线拟合）；③非线性曲线拟合；④一般多项式曲线拟合；⑤正交多项式曲线拟合。当k≥2时，称为多元回归分析（注：前面的④、⑤2种情况实质上是用多元回归分析仅只含1个自变量时较复杂的曲线拟合问题）。当同时对多个因变量进行回归分析时，称之为多重回归分析。在多元回归分析中，简单而又实用的则是多元线性回归分析（其中某些自变量可以是原观测指标经过某种初等变换的结果，如对数变换、开平根变换等，因为这里所说的线性是指∶函数f(x)相对于回归参数是线性的，并非相对于自变量而言）。这是本篇中要论述的问题。　　

如果因变量是与时间有关的连续变量且未被离散化（如：生存时间、复发时间、死亡时间等），而自变量可以是定量的，也可以是定性的。此时需用生存分析中的半参数或参数回归分析方法，将在本书第5篇中论述。

　　如果因变量是名义或有序变量，无论它取二个离散值（如：死与活、复发与未复发等）还是多个离散值（自变量可以是定性和定量的）时，都可选用logistic回归分析；如果把列联表中每个格内的理论频数的对数当作因变量，把分组变量（包含影响因素和观测结果变量2类）当作自变量，可用对数线性模性分析。这部分内容请参见本书第3篇中有关章节。　　在自变量代表时间的情况下，通常不假定因变量y的各次观察值独立，而具有某种非独立的结构，例如构成一平稳序列。这种回归模型的研究被划入统计学的另一个重要分支──时间序列统计分析的范围  

7. 如何解决一个因变量多个自变量的预测问题，不用回归模型

偶先歇一会儿，列位请继续啊

8. 在SPSS统计中，如何判断一个自变量对多个因变量的影响程度？

看标准回归系数，直接用SPSS回归分析，就可以得出各个自变量与因变量的相关系数。
不是线性的可以通过一定的转换将其变为线性，然后再利用多元线性回归做模型即可。变量间存在一定的相关很正常，只要不存在多重共线性就好。
如果说只需要探讨自变量与因变量间的关系，而不需要根据自变量的取值预测因变量的区间，则正态性和方差齐性两个可以放宽。回归关系并不一定代表两者有因果关系。

扩展资料：
两连续变量的线性回归模型的适用条件：
(1)线性趋势：自变量与因变量的关系是线性的，可通过散点图来判断;
(2)独立性：因变量y的取值相互独立的，之间没有联系。就是要求残差间相互独立，不存在自相关性，否则应采用自回归模型;
(3)正态性：因变量y均服从正态分布，即要求残差服从正态分布;
(4)方差齐性：自变量的任何线性组合中，因变量的方差均相同。即残差的方差要齐性。
参考资料：百度百科-spss