1、用每个自变量的标准化B/所有自变量标准化B之和，得出的百分比 即可表示该自变量对因变量的贡献占比，2、逐步回归的基本思想是将变量逐个引入模型，每引入一个解释变量后都要进行F检验，并对已经选入的解释变量逐个进行t检验，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，则将其删除。

2、以确保每次引入新的变量之前回归方程中只包含先主动变量。

3、这是一个反的过程，直到既没有显著的解释变量选入回归方程，也没有不显著的解释变量从回归方程中剔除为止。

(资料图片仅供参考)

4、以保证最后所得到的解释变量集是最优的。

5、扩展资料：SPSS进行逐步回归分析：在自变量很多时，其中有的因素可能对应变量的影响不是很大，而且x之间可能不完全相互独立的，可能有种种互作关系。

6、在这种情况下可用逐步回归分析，进行x因子的筛选，这样建立的多元回归模型预测效果会更较好。

7、逐步回归分析，首先要建立因变量y与自变量x之间的总回归方程，再对总的方程及每—个自变量进行假设检验。

8、当总的方程不显著时，表明该多元回归方程线性关系不成立；而当某—个自变量对y影响不显著时，应该把它剔除，重新建立不包含该因子的多元回归方程。

9、筛选出有显著影响的因子作为自变量，并建立“最优”回归方程。

10、回归方程包含的自变量越多，回归平方和越大，剩余的平方和越小，剩余均方也随之较小，预测值的误差也愈小，模拟的效果愈好。

11、但是方程中的变量过多，预报工作量就会越大，其中有些相关性不显著的预报因子会影响预测的效果。

12、因此在多元回归模型中，选择适宜的变量数目尤为重要。

本文就为大家分享到这里，希望小伙伴们会喜欢。