发布时间：
楼上此言差矣，调整R方值大于50%就已经很不错了。20-30%也是可以接受的，前提是模型中预测变量间不存在多重共线性等问题。关键看样本和实际问题。
我觉得起码80%吧，不过前提是要尊重数据
SOR理论模型回归分析R方合适。SOR 是认知主义提出的一种学习理论,是指刺激 —机体一响应 (Stimulus-Organism-Response,S-O-R)理论模型。
多元线性回归，要看修正的R方值，只有30%不能用的，起码要75以上。
回归分析R方为多少合适？1. 什么是回归分析R方？回归分析是一种通过对变量之间的关系进行拟合，并用拟合的方程来预测未来数据的方法。R方是衡量回归模型拟合优度的一种指标。具体来说，它是由实际值与预测值之间的差异占总方差的比例计算而来。2. 如何判断R方的好坏？一般来说，R方的取值范围在0到1之间，越接近1则说明模型对数据的拟合越好。但是，在实际应用中我们需要根据领域知识和经验来判断R方的好坏是否符合预期。例如，某些行业可能需要高于的R方才能接受，而另一些则可以接受在左右的R方。3. R方值过高的风险是什么？当R方值过高时，虽然模型对数据的拟合效果很好，但是却可能存在过拟合的风险。这意味着模型只能适应当前的数据，而无法预测未来的数据，因为模型过于复杂。因此，在使用回归分析时，需要根据领域知识和经验，结合交叉检验和调整R方等方法来评估模型稳健性。4. R方值过低的风险是什么？当R方值过低时，模型不能很好地解释数据的变化，预测结果会受到噪声的影响。这意味着模型需要特征工程或更多数据来提高准确性。但需要注意的是，有时数据质量差、可计算性差以及数据中暂时性变量等原因也会导致R方的下降。5. 如何提高回归分析的R方？提高R方的方法，主要是通过优化模型拟合的变量、增加数据样本、提高数据质量等方向进行。同时，不同领域的数据结构会导致拟合出的模型性质的区别，要根据领域特点调整模型的参数。6. 结论回归分析是一种非常有用的数据分析方法，在实际应用中需要根据领域知识和经验判断R方值的好坏。除了提高R方以外，我们还需要关注过拟合和数据质量等问题，保证模型的稳健性。
SSR/SST？调整R方是消除自变量增加造成的假象。自由度df=n-k，各种分布不一样吧？至于含义，顾名思义就可以了（k: constraints，f: freedom）。
显著性水平的检验.
1、R square（R方值）是决定系数，意思是你拟合的模型能解释因变量的变化的百分数，例如R方=，表示你拟合的方程能解释因变量81%的变化，还有19%是不能够解释的。
2、F值是方差检验量，是整个模型的整体检验，看它拟合的方程有没有意义。
3、t值是对每一个自变量（logistic回归）的逐个检验，看它的beta值β即回归系数有没有意义。
R方值是评价的主要指标，F值，t值是两个检验，一般要小于，F和t的显著性都是。
扩展资料
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）。
《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
参考资料来源：百度百科-SPSS回归分析
可以直接用corrcoef(x,y)函数啊…… 例如，求出已知的x，y向量的相关系数矩阵R，则输入R=corrcoef(x,y) 然后调用 max(max(R))，可以求出最大值
这个就可以分析
基于R语言实现Lasso回归分析主要步骤：将数据存成csv格式，逗号分隔在R中，读取数据，然后将数据转成矩阵形式加载lars包，先安装调用lars函数确定Cp值最小的步数确定筛选出的变量，并计算回归系数具体代码如下： 需要注意的地方： 1、数据读取的方法，这里用的( )，这样做的好处是，会弹出窗口让你选择你要加载进来的文件，免去了输入路径的苦恼。 2、数据要转为矩阵形式 3、（la） 可以看到R方，这里为，略低 4、图如何看？ summary的结果里，第1步是Cp最小的，在图里，看到第1步与横轴的交界处，只有变量1是非0的。所以筛选出的是nongyangungunPs: R语言只学习了数据输入，及一些简单的处理，图形可视化部分尚未学习，等论文写完了，再把这部分认真学习一下~~在这里立个flag
线性相关分析的数据要求:可以是连续性数据，也可以是分类数据。线性回归分析的数据要求:自变量可以是分类变量和连续性变量，因变量必须是连续性变量。分类变量：比如性别\民族\学历等，数据之间无法进行加减的。连续变量：比如身高\体重\收入\温度等，这种有具体意义的数据，可以进行平均和加减的。
1. 一般来说，数据越多，分析结果越可靠，没有明确的要求需要多少组数据，视数据取得的难易程度吧。2. 数据的质量也对分析结果有重要影响，自变量最好分布得均匀一些为好。质量高的数据，样本数量可以适当地少一些。比如在0~100的横坐标轴上，如果大部分数据都集中在了0~50之间，这样数据的质量就不高。
理论上只要比解释变量个数多就行了。实际上是越多越好，没有上限。至少是解释变量个数2倍以上(不过这只是经验标准)
如果你是做问卷调查类（发放问卷，收集数据<通常学营销的人会这样做>）的，那么就根据你的题项设置变量，并录入数据（通常是用SPSS分析，也有用其他工具比如说Eviews的）。然后做数据的信度和效度检验（此处KMO值是比较重要的），再做基本的描述性统计分析，然后是主成份提取（即因子分析），从多个变量中提取几大因子，结果主要看旋转成分矩阵，然后用几个因子跟因变量做回归，得出影响关系的回归方程。举个例子说，你的问卷中有30个题项（前提是你已经做过小规模问卷测试以验证题项设置的合理性），则对应30个变量X1，X2，......,X29，X30，录入这30个变量的数据，如果你收集了500份问卷，其中420份是有效问卷的话，则你有420条针对30个变量的有效数据。然后做信度效度检验，描述性统计分析，因子分析，假设通过因子分析提取出4个主成份（因子），分别为F1，F2，F3，F4，这个时候对因子命名并将其生成新的变量，然后再将F1，F2，F3，F4和Y做回归分析，得到回归方程，通过R方和系数检验表来判断方程和系数的有效性。这个时候你就能得到影响消费者态度的是哪些因素了。PS：你这里的因变量消费者态度需要量化，在设计问卷的时候要考虑如何量化才有利于后续的分析。
论文数据里必须有多元线性回归。
在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。
事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。
因此多元线性回归比一元线性回归的实用意义更大。
不是的，回归分析是分析影响因素，并不必须