具体描述
回归分析在科学研究领域是最常用的统计方法。《SPSS回归分析》介绍了一些基本的统计方法，例如，相关、回归（线性、多重、非线性）、逻辑（二项、多项）、有序回归和生存分析（寿命表法、Kaplan-Meier法以及Cox回归）。后面的章节介绍了另外一些回归分析方法和模型，例如，个体生长曲线的建模、PLS 部分最小平方回归、岭回归、巢式病例对照研究。
《SPSS回归分析》对运用SPSS进行回归分析的介绍，目的是让读者对于这方面的基础知识有一个初步了解和掌握，有经验的读者藉此可在数据挖掘（例如，利用Clementine）领域独立地继续学习新知识。
作者简介
目录信息
1.1 引言 1
1.2 第一个前提条件：尺度水平 4
1.3 其他前提条件：线性、同方差性和连续性 5
1.4 说明：对线性的图形检验 6
1.4.1 过程GRAPH，Scatterplot选项 6
1.4.2 SPSS过程命令 CURVEFIT 7
1.5 相关系数的统计和解释 10
1.5.1 相关系数的统计量 11
1.5.2 相关系数的解释 11
1.6 利用 SPSS 的计算（示例） 14
1.7 难点：线性、产生错觉相关和一型差误累积 16
1.7.1 产生错觉相关和偏相关 16
1.7.2 一型差误累积问题 19
1.8 特殊用途 20
1.8.1 相关系数的比较 21
1.8.2 比较相关的一致性 22
1.8.3 正准相关 23
1.9 计算皮尔逊相关系数的前提条件 24
第2章 线性回归和非线性回归 26
2.1 线性回归：有因果方向的关联 27
2.1.1 双变量线性回归：利用REGRESSION的回归分析概述 27
2.1.2 双变量线性回归的示例和语句——第一步：根据杠杆值和残差检验线性并识别离群值 32
2.1.3 输出结果和解释 37
2.1.4 过程2：删除离群值的效应——选出的输出结果 49
2.1.5 说明：绘制回归直线（IGRAPH）的图形 51
2.2 非线性简单回归 51
2.2.1 利用线性回归对线性函数进行分析 53
2.2.2 利用线性回归分析调查非线性函数 53
2.2.3 将非线性函数线性化，并利用线性回归进行调查 54
2.2.4 利用非线性回归分析非线性函数：非线性回归 56
2.2.5 更高的要求：带有两个预测变量的非线性回归 67
2.2.6 用于非线性回归的SPSS过程 NLR 和 CNLR 70
2.2.7 非线性回归的假设 73
2.2.8 总览表：非线性回归的模型 74
2.3 多元线性回归：多重共线性和其他难点 76
2.3.1 多元回归的特点 77
2.3.2 第一个例子：多元回归特殊统计的解释 79
2.3.3 第二个例子：多重共线性的识别和消除 93
2.4 计算线性回归的前提条件 99
第3章 逻辑回归和有序回归 105
3.1 引言：因变量的因果模型和测量水平 106
3.2 二元逻辑回归 107
3.2.1 逻辑回归方法和与其他方法的比较 107
3.2.2 示例界面和语法：逐步法（BSTEP） 111
3.2.3 输出结果和解释 114
3.2.4 示例和语法：直接法ENTER 122
3.2.5 输出结果和解释 123
3.2.6 补充说明逻辑回归的理论检验vs诊断：模型拟合优度vs预测效率 127
3.2.7 二元逻辑回归的前提条件 127
3.3 有序回归 133
3.3.1 有序回归方法和与其他方法的比较 134
3.3.2 例1 界面操作和语法：定距预测变量（WITH-选项） 135
3.3.3 输出结果和解释 138
3.3.4 例2和语法：分类预测变量（BY选项） 143
3.3.5 输出结果和解释 144
3.3.6 有序回归的前提条件 151
3.4 多项逻辑回归 152
3.4.1 例子、界面选择和语法：主效应模型（二元因变量） 153
3.4.2 输出结果和解释 159
3.4.3 补充说明：逐步计算带有一个二元因变量的模型：NOMREG REGRESSION和LOGISTIC REGRESSION输出结果的比较 163
3.4.4 特殊情况：带有定量预测变量的巢式病例对照研究（1:1）——示例、
语法、输出结果和解释 164
3.4.5 补充说明：LOGISTIC REGRESSION 对比 NOMREG （区别） 168
3.4.6 多项逻辑回归的前提条件 169
3.5 本章所介绍的各种回归方法的比较 173
第4章 生存分析 175
4.1 生存分析概述 176
4.2 生存分析的基本原理 178
4.2.1 生存函数S(t) 178
4.2.2 确定生存函数S(t) 179
4.2.3 其他函数 180
4.3 截尾数据 182
4.3.1 非期望事件或者未发生目标事件 182
4.3.2 对截尾数据与非截尾数据做不同处理的三个理由 183
4.3.3 失效数据和截尾的处理（三种方法） 184
4.4 估计生存时间S(t)的方法 185
4.4.1 保险精算法和寿命表法 185
4.4.2 使用Kaplan-Meier法估计生存时间S(t) 186
4.4.3 无截尾和有截尾的示例（方法：Kaplan-Meier） 187
4.5 对多个组进行比较的检验 190
4.6 利用SPSS进行生存分析 192
4.6.1 示例：无因子Kaplan-Meier法 193
4.6.2 示例：采用因子的Kaplan-Meier法 198
4.6.3 利用因子变量与分层变量进行比较（Kaplan-Meier法） 202
4.6.4 Kaplan-Meier分析的置信区间 207
4.6.5 不带因子的寿命表计算法示例 209
4.6.6 带有因子的寿命表法计算示例 212
4.6.7 计算生存分析的首要条件 216
4.7 Cox回归 218
4.7.1 Cox模型简介和背景知识 218
4.7.2 带有定量协变量的Cox回归 222
4.7.3 带有二元协变量的Cox回归（k=2） 230
4.7.4 带有分类协变量的Cox回归（k>2） 233
4.7.5 针对交互作用的Cox回归 237
4.7.6 检验Cox回归的前提条件 249
4.7.7 带有时间相依的定量协变量的Cox回归 256
4.7.8 Cox回归的特定前提条件 261
4.7.9 附录：对比方法 264
第5章 回归分析的其他应用实例 269
5.1 偏回归 270
5.1.1 运用PLS过程（Python Extension）进行计算 271
5.1.2 运用SPSS过程REGRESSION进行计算 278
5.2 个体生长曲线 281
5.2.1 方法1：随机截距模型 282
5.2.2 方法2：随机斜率模型 286
5.2.3 方法3：随机截距和随机斜率模型 288
5.3 岭回归（SPSS宏） 290
5.3.1 利用岭迹实现多重共线性的可视化 291
5.3.2 岭回归的计算 294
5.3.3 SPSS宏“Ridge-Regression” 295
第6章 其他方法和模型（一览） 301
6.1 通过SPSS菜单调用其他回归方法 301
6.2 可用语句调用的其他回归形式 308
附录A 公式 309
参考文献 320
您对本书的建议和意见 327
作者简介 328
· · · · · · (收起)
读后感
用户评价
这本书的封面设计充满了学术气息，但内容远不止于此。初读时，我被作者深入浅出的讲解方式所吸引。他没有将回归分析仅仅局限于枯燥的公式推导，而是通过大量贴近实际生活的案例，将复杂的统计学概念化为直观易懂的逻辑。比如，书中对多重共线性问题的阐述，不再是教科书上那种冷冰冰的定义，而是通过一个房地产市场分析的例子，清晰地展示了变量间相互影响的微妙之处。作者在每一个关键步骤都提供了详尽的操作指南，无论是数据清洗、模型假设检验，还是结果的解释与报告撰写，都处理得极为周到。特别是对于初学者而言，这种“手把手”的教学风格，极大地降低了学习曲线。我特别欣赏作者在讨论模型局限性时所持有的审慎态度，这使得读者在掌握分析工具的同时，也能培养起批判性思考的习惯，而不是盲目相信数字的力量。整体而言，这本书不仅仅是一本技术手册，更像是一位经验丰富的导师，在你探索数据奥秘的旅途中耐心引导。
我是一名长期在市场研究领域工作的数据分析师，手头积累了不少复杂的客户行为数据。坦率地说，许多统计教材的案例都过于简化，无法应对真实世界中的“脏数据”。然而，这本书却展现出惊人的实用性。作者在书中反复强调“Garbage In, Garbage Out”的原则，并在专门的章节中详细讲解了异常值处理、缺失数据插补（包括多重插补的理论基础）的实操技巧。我尝试着将书中学到的残差诊断方法应用到我手头的一个预测模型上，结果发现之前被忽略的一个显著的异方差问题得到了有效识别和修正。书中的代码示例（虽然没有明确指出是哪种编程语言，但逻辑清晰易于移植）为我节省了大量摸索时间。这本书的叙事节奏非常成熟，它没有急于抛出复杂的公式，而是先构建一个需要解决的实际问题，然后循序渐进地引入统计工具来拆解问题，这种由问题驱动的学习路径，极大地增强了学习的代入感和目的性。
这本书的深度和广度令人印象深刻。它不仅仅停留在基础的线性回归层面，而是将触角延伸到了广义的线性模型（GLM）以及更高级的非线性回归方法。我特别关注了关于时间序列回归的那一章，作者在处理自相关问题时，引入了诸如Durbin-Watson检验和Breusch-Godfrey检验等多种工具，并详细比较了它们各自的应用场景和优缺点。更让我惊喜的是，书中对模型的稳健性分析进行了深入探讨，推荐了非参数回归和核回归等替代方法，这对于处理那些不满足传统回归假设的数据集来说，提供了宝贵的“备用方案”。我花费了大量时间去实践书中所述的交互项效应分析，作者通过图形化的方式展示了调节效应，使得原本抽象的统计交互作用变得一目了然。这本书的价值在于，它要求读者不仅要“会算”，更要“会想”，将统计理论与实际业务问题紧密结合，这对于任何希望提升决策质量的专业人士来说，都是极其宝贵的财富。
这本书的结构安排，体现了作者对统计学教学艺术的深刻理解。它不是一个简单的功能堆砌，而是一条精心设计的认知路径。起初，它用非常清晰的语言界定了相关性与因果性的区别，这为后续所有模型的构建奠定了严谨的哲学基础。随后，章节的推进体现了从描述到推断，再到模型选择和诊断的逻辑递进。我尤其欣赏关于假设检验部分的处理方式。作者没有仅仅停留在“拒绝零假设”或“接受备择假设”这种机械的表述上，而是深入剖析了第一类和第二类错误在实际决策中的成本差异，使得P值不再是一个魔术数字，而是一个带有实际意义的风险指标。阅读过程中，我仿佛在进行一场严谨的学术辩论，每一步推导都有理有据，每一步结论都有严格的统计支撑。这种强调逻辑完整性和方法论严谨性的写作风格，非常适合那些追求扎实基础的研究人员。
对于希望快速掌握数据分析技能的职场人士来说，这本书的价值在于其强大的“工具箱”属性。它不仅仅介绍了回归分析本身，更重要的是，它教会了读者如何利用这些工具来构建一个完整的数据故事。例如，在讲解模型评估时，作者细致地对比了调整$R^2$、AIC、BIC以及Mallows' $C_p$等指标的侧重点，并给出了在不同业务目标下（如预测精度优先 vs. 模型简洁性优先）应如何进行模型选择的实用建议。书中关于模型可解释性的讨论也非常到位，特别是在处理具有显著交互作用的变量时，作者建议使用边缘效应图（Partial Dependence Plots）来辅助理解，这比单纯看系数表要有效得多。这本书的版式设计也便于查阅，关键公式和结论都有高亮或独立的方框标注，即使在需要快速回顾某个知识点时，也能迅速定位。它成功地将复杂的统计学理论转化为了可操作的、可验证的商业智能。
一本“就”书的取名，几百页晦涩难懂的内容，提议：千万别买。
一本“就”书的取名，几百页晦涩难懂的内容，提议：千万别买。
一本“就”书的取名，几百页晦涩难懂的内容，提议：千万别买。
一本“就”书的取名，几百页晦涩难懂的内容，提议：千万别买。
一本“就”书的取名，几百页晦涩难懂的内容，提议：千万别买。
