spss modeler 回归模型之高级—各参数分析：
1，descriptive statistics：描述性统计
mean：均值
Std.Deviation：标准差
N：所使用的记录数
2，correlations：相关性
主要分为：pearson correlations（皮尔森相关） ：对称矩阵，表示变量之间两两相关系数。越接近1相关程度越高。
sig.（1-tailed）（单托维显著性）：只要是显著性，不管是单托维或者双托维，都和0.05作比较。越接近0.05显著性越高。
N：表示不同的变量之间的数据值。
3，variables entered/removed：变量的进入/移出，表示生成模型的第一步
4，model summary：模型概述
R：所得到的曲线拟合程度，和1做比较
R square：R的平方，曲线拟合的优异程度，和1做比较。
adjusted R square：模型复杂度的惩罚值。和1做比较。
Std.Error of the Estimate：预估的标准误。标准误=标准差/样本容量的开方。均值的置信区间是根据标准误来算的。
selection criteria：选择的标准
AIC：模型简洁度，此值越小越好。
MPC：模型变量选择权衡点，此值越小越好。
D-W：在一定程度上表达残差是否服从正太分布，越服从正太分布说明变量之间独立性越强，相关性越弱，正如我们所需要的，一般此值在0-4之间，越接近2越好。
5，ANOVA：方差分析
分为两大部分：regression 回归 residual 残差
sum of square：方差之和
df：自由度，取值不受限制的那些变量的个数，等于n-1
mean square：均方差
F：f值，通常用自由度可以查到自由度所对应F值，然后再跟模型计算的F值做比较，若计算的F值小于所查到的F值，说明差异不明显（F检验：方差齐性检验），若大于，则要进行T检验。
sig.：显著性，和0.05比较。
6，coefficients：回归系数
unstandardized coefficients：非标化的回归系数
B：以下每个量的回归系数
Std.Error：以下每个量的标准误
standardized coefficients：标化的回归系数（通常直接看此项就行）
beta：以下每项的标注化回归系数
collinearity statistics：共线性统计，判断独立性
tolerance：容忍度，容差
VIF：与容忍度成反比，一般此值小于10说明变量之间独立性相对较好。
7，coefficients correlations：回归系数的相关性
correlations：各个变量之间的相关性，一般在0.8或者0.7以下最好。若是高于0.9，那么要对变量重新选择或者其他处理。
covariances：协方差
8，collinearity diagnostics：多重共线性诊断
condition index：条件数，一般小于10认为不存在多重共线性，说明变量之间独立性较好。
9，residuals statistics：残差统计
最小值，最大值，均值，残差的标准差，残差个数
当共线性不能接受时：1，要重新选择变量；2，尝试有偏向性估计；3，扩大样本；4，设置“类型”节点时，有选择的“输入”角色。
推荐思路：1，将变量逐一与因变量进行相关分析。2，通过相关系数的筛选，将筛选的自变量与因变量一起做多重回归分析。