多數情況下，變量關系研究是問卷研究的核心，變量關系研究包括相關分析，線性回歸分析，中介作用分析，調節作用分析等，并且如果因變量Y值是分類資料，則會涉及Logistic回歸分析。相關分析是研究兩兩變量之間的相關關系情況，線性回歸分析或者Logistic回歸分析均是研究影響關系，差別在于線性回歸分析的因變量Y值是定量資料，而Logistic回歸分析的因變量Y值是分類資料。中介作用或者調節作用研究是更深入的關系研究分析，會在之後的文章中介紹。本文重點對相關分析和回歸分析的常見問題進行解答。
0）相關和回歸的關系和差別
相關分析和回歸分析，二者既有聯系，又有差別。接下來詳細說明。
相關分析：研究有沒有關系，關系強度如何。 回歸分析：研究影響關系如何，有沒有影響關系，影響關系如何。相關分析是研究有沒有關系，回歸分析是研究影響關系。明顯地，相關分析是基礎，然後再進行回歸分析。首先需要知道有沒有相關關系；有了相關關系，才可能有回歸影響關系；如果沒有相關關系，是不應該有回歸影響關系的。因而從分析角度，應該先進行相關分析，完成相關分析後，确認有了相關分析，再進行回歸分析。
有時候會出現奇怪的現象，比如：
有回歸影響關系，但是卻沒有相關關系【此時建議以‘沒有相關關系作為結論’】
負向影響關系，但卻是正向相關關系【此時建議以‘有相關關系但沒有回歸影響關系作為結論’】
1）回歸分析缺少Y
回歸分析是研究X對于Y的影響。有時候由于問卷設計問題，導緻直接缺少了Y，建議可以考慮将X所有題項概括計算平均值來表示Y。（SPSSAU使用者使用“生成變量”的平均值功能）
另提示：如果問卷中并沒有設計出Y對應的題項，沒有其它辦法可以處理
2）是否需要進行散點圖分析？散點圖可以直覺展示兩個變量之間的關系，通常情況下需要首先進行散點圖分析，再進行相關關系分析，接着進行回歸分析。
3）相關分析應該選擇Pearson還是Spearman？相關系數分為兩種，分别是Pearson相關系數和Spearman相關系數。絕大多數情況下均使用Pearson相關系數，軟體預設使用Pearson相關系數。如果研究時發現研究變量嚴重的不正态分布，此時使用Spearman相關系數較為合适。
4）相關分析結果與線性回歸分析結果沖突？如果相關分析結果與線性回歸分析沖突，比如沒有相關關系，但是卻呈現出顯著的回歸影響關系。也或者變量之間為顯著正相關，但是卻出現負向回歸影響關系。此時應該以相關分析結論為準，出現此類問題的原因很可能是Suppressor effect(壓抑效應)。
5）分類資料作為自變量如何進行回歸分析？如果分類資料希望作為自變量放入模型，應該首先将分類資料進行虛拟變量處理，然後再放入模型中，虛拟變量處理可參考5.2.8部分。
6）分類資料作因變量時的分析方法。如果分類資料作為因變量，此時應該使用Logistic回歸分析，具體Logistic回歸分析的類别選擇，可以參考10.2.4部分。
7）回歸分析沒有通過F檢驗，但回歸系數呈現出顯著性。如果回歸分析并沒有通過F檢驗，此說明所有自變量X均不應該對因變量Y産生影響關系，即研究模型沒有意義。此時即使回歸系數呈現出顯著性，也應該以F檢驗結果為準，即說明自變量X不會對因變量Y産生影響關系。
8）回歸分析時VIF值高于10。如果VIF值高于10，說明具有嚴重的多重共線性問題，此時模型結論不可信。針對多重共線性問題，最佳的處理辦法是對題項進行探索性因子分析，利用探索性因子分析得到的因子得分重新進行回歸分析。除此之外，也可以将自變量進行相關分析，找出相關關系最為緊密的研究變量，将此類變量移出回歸分析重新進行分析。
9）回歸分析時，某變量沒有呈現出顯著性，但理論上确認肯定應該顯著。如果回歸分析時某研究變量沒有呈現出顯著性，但是理論上認為應該具有顯著性，此時可以考慮對樣本進行篩選處理，以及将樣本個人背景資訊作為控制變量加入模型,重新進行分析。
10）R平方值很小，低于0.4。R平方值表示模型的解釋力度，即模型拟合度情況，此值介于0~1之間，數值越大，說明模型拟合度越高，通常情況下越大越好。實際研究中，此名額的意義相對較小，即使此名額小于0.4也沒有關系。應該重點關注自變量X與因變量Y之間的回歸關系，即自變量是否呈現出顯著性。
11）調整R平方值為負數。調整R平方值可以為負數，如果出現負數時，通常情況下R平方值會非常小，接近于0，模型基本沒有意義。
12）控制變量是什麼，用處是什麼？控制變量，實質就是自變量，但通常該類變量并非研究核心變量，其可能會對模型産生幹擾，是以也需要将其放入模型，并且稱之為控制變量。通常情況下控制變量為樣本基本背景資訊題項，比如性别，學曆，年齡，收入等。将控制變量放入回歸模型中，目的在于防止此類變量對于研究帶來的幹擾。通常情況下，控制變量為諸如性别，學曆等為分類資料，因而多數情況下控制變量需要進行虛拟變量處理。
13）探索性因子分析儲存得分是否可以作為自變量？如果一個研究變量對應多個題項，常見的做法是将多個題項計算平均值，并且以平均值代表整體研究變量。如果對研究變量進行探索性因子分析，并且儲存因子分析，也可以利用因子得分去代表對應研究變量，進行相關或者回歸分析。
14）Hosmer and Lemeshow檢驗對應P值小于0.05。進行二進制Logistic回歸分析時，如果Hosmer and Lemeshow檢驗顯示P值小于0.05，即說明模型拟合情況與實際情況有較大出入，模型并不理想。可以考慮對自變量資料重新組合處理，也或者對因變量資料重新組合處理等多種方法測試，尋找出最優結果。
15）整體預測準确率低于70%。如果二進制Logistic回歸分析顯示整體預測準确率較低，低于70%時，說明模型整體情況不佳。可以考慮對自變量進行重新組合處理，或者對個别無意義自變量進行删除處理等，多種處理對比，找出最優結果。
16）輸出結果中某項不顯示P值。如果二進制Logistic回歸分析中有分類資料，則模型會以某項作為參照對比項，參照對比項不會輸出P值等名額。
更多常見問題解答
SPSSAU：如何設計一份合格的調查問卷？
SPSSAU：問卷調查資料應該怎麼分析？
SPSSAU：SPSS資料分析中的常見問題（統計學基礎篇）
SPSSAU：SPSS資料分析中的常見問題（問卷篇）
SPSSAU：資料分析中的常見問題——SPSS操作問題
SPSSAU：SPSS資料分析中的常見問題（信效度篇）
（SPSSAU支援線上進行資料分析，拖拽點一下的傻瓜操作，提高分析效率。同時針對每一個分析方法SPSSAU的幫助手冊裡都有詳細的講解和案例說明，想要獲得更多内容可登入SPSSAU官方網站。）
SPSSAU-線上SPSS分析軟體www.spssau.com?100001000