作者：解螺旋.算盘 解螺旋原创
不懂地方：
1.前进法，后退法和逐步法stepwise
上回我们谈到了研究2组资料是否相互联系的统计学方法。但是，如果自变量多于1个的情况下怎么办？我们还是用上回那个例子，但是增加了一组自变量。现在，我们有12名一年级女大学生体重，身高与肺活量的数据。
如果我们想要研究：肺活量是否随体重和身高的变化而变化？体重和身高，哪个指标对肺活量的影响更大？这里就要用到统计学上另一种重要的统计方法：多元线性回归分析。多元线性回归分析就是研究一个因变量（这里是：肺活量）和多个自变量（这里是：体重和身高）之间的关系。
和上回介绍的一元线性回归方程差不多，多元线性回归方程只是增加了一个自变量而已：?=a+b1x1+ b2x2。 x1和x2为2个自变量，y为因变量。在上面这个例子中，身高是x1；体重是x2；而肺活量就是y。如果通过计算，得出a=-0.5657；b1=0.005017；b2= 0.05406。那么这个方程就可以写作：?=-0.5657+0.005017x1+ 0.05406x2。
b1=0.005017，表示在X2，即体重不变的情况下，身高每增加1cm，肺活量增加0.005017L。利用多元线性回归方程，还可以进行预测和预报。例如x1 =166，x2=46，代入公式，就可以得出?=2.75。这表示：所有身高为166 cm，体重为46公斤的一年级女大学生，估计的平均肺活量为2.75 L。
那么，现在问题变得简单了，我们只需要算出a和b即可得到方程式。聪明的同学们可能已经猜到我下面要说什么了。对头！那就是 ─ 计算机。现在的大部分统计学软件都可以做多元线性回归分析了。以最常用的SPSS为例，输出的结果如下图所示：
我们需要注意的就是红圈标注的三个数字，它们就是a，b1和b2。另外，如果要判断几个自变量谁对因变量的影响更大，就看的标准系数。就是图中蓝圈标注的二个数字。在这里，显然身高对肺活量的影响更大。
另外，在多元线性回归中还存在一个自变量选择的问题。这是因为：不是所有的自变量都对因变量有意义。例如，我们在上一个例子中再引入一组血压的数据，这个血压就很有可能和肺活量完全风马牛不相及。自变量选择的方法有前进法，后退法和逐步法。一般采用逐步法就可以取得满意的结果。而这一切的一切，计算机都是可以代劳的。下图所示的就是SPSS进行逐步法的界面，在红圈标注的下拉菜单里选择stepwise（逐步法）即可。
输出的结果会自动告诉你哪些自变量被包括了；哪些自变量被排除了。怎么样？简单吧？算盘一直认为：对于我们临床医生来说，并不需要掌握复杂艰深的统计学概念和公式。我们只需要掌握在正确的地方，输入正确的数字，当结果输出的时候，能看懂结果。就OK了。
程序运行结果不一致
原文：http://www.cnblogs.com/biopy/p/4905667.html