一、对数回归分析和线性回归分析？
对数回归分析是非线性回归分析，线性回归分析是直线型的。
二、单因素回归分析和多因素逻辑回归分析？
一、概念不同
1、单因素统计：单因素分析（monofactor analysis）是指在一个时间点上对某一变量的分析。
2、多因素回归分析：指在相关变量中将一个变量视为因变量，其他一个或多个变量视为自变量，建立多个变量之间线性或非线性数学模型数量关系式并利用样本数据进行分析的统计分析方法。
二、方法不同
1、单因素统计：试验单元编号、随机分组。
2、多因素回归分析：引进虚拟变量的回归分析、曲线回归、多元回归模型。
三、应用方向不同
1、单因素统计：单因素的盆栽试验；温室内、实验室内的实验等，应用该设计，若实验中获得的数据各处理重复数相等，采用重复数相等的单因素资料方差分析法分析，若实验中获得的数据各处理重复数不相等，则采用重复数不等的单因素资料方差分析法分析。
2、多因素回归分析：影响因变量的因素有多个，这种多个自变量影响一个因变量的问题可以通过多元回归分析来解决。
例如，经济学知识告诉我们，商品需求量Q除了与商品价格P有关外，还受到替代品的价格、互补品的价格，和消费者收入等因素，甚至还包括商品品牌Brand这一品质变量(品质变量不能用数字来衡量，需要在模型中引入虚拟变量)的影响
三、二元回归分析回归系数的分析？
二元回归分析中的回归系数越大说明变量之间的相关性越强，反之越弱。
四、根据spss回归分析结果怎么得出回归分析方程？
根据spss回归分析结果得出回归方程的步骤如下：
1. 打开spss软件中的回归分析模块，并导入所需要进行回归分析的数据。
2. 在回归分析模块中，点击“Analyze” -> “Regression” -> “Linear”。
3. 在弹出的“Linear Regression”窗口中，先将需要进行回归分析的因变量和自变量加入分析窗口中。同时，在“Statistics”子菜单中勾选需要的回归分析统计量指标（如系数、显著性水平、统计量等）。
4. 点击“OK”按钮，SPSS将开始计算各项统计指标，并在输出窗口中给出回归方程所需的参数。
5. 从输出窗口中找到“Model Summary”表格，其中的“R”值表示整个模型的拟合优度，即R方值。
6. 从输出窗口中找到“Coefficients”表格，其中各自变量的系数表明了这些自变量对于因变量的影响程度和方向。将这些系数整理在一起即为回归方程。整理的方式一般是：y = b0 + b1x1 + b2x2 +…+ bnxn。
其中，y表示因变量，b0表示常数项，b1表示第一个自变量的回归系数，x1表示第一个自变量，以此类推。
7. 编写出回归方程后，需要对回归方程进行解释和分析，包括判断对应因变量和自变量之间的关系及显著性等。
五、回归分析的结果及分析？
回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。
如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。
如果回归分析中包括两个或两个以上的自变量，且自变量之间存在线性相关，则称为多重线性回归分析。
六、怎么进行回归分析，建立回归模型？
1、确定变量明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。
2、建立预测模型依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。
3、进行相关分析回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当变量与因变量确实存在某种关系时，建立的回归方程才有意义。因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。
4、计算预测误差回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。
5、确定预测值利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。
七、回归分析表解释？
回归分析（regression analysis)指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。
回归分析表是将一系列的影响和这些影响带来的结果进行一个全面的拟合，然后将拟合出的方程应用到类似或者相同的事件中，然后进行预测回归。其实就是朝着一个理想或者是平衡的状态趋势发展，然后回归到某些影响因素，从而找出影响结果的规律。这个表格不但能够看到正常的数据，还能看到原因和趋势。
八、回归分析是指？
回归分析（regression analysis)指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。
九、cox回归分析条件？
Cox回归，又称Cox比例风险回归模型，该模型以生存结局和生存时间为因变量，可以同时分析众多因素对生存期的影响。不仅考虑事件是否发生，也考虑事件发生出现的时间，在医学领域较为常用。
Cox回归分析的一般条件：
①比例风险假定，即PH假定，常通过观察自变量分组的Kaplan-Meier生存曲线。若曲线无明显的交叉，则提示满足PH假定。
②样本含量，一般需要协变量的15~20倍的阳性结局事件数。
十、ols回归分析过程？
OLS法通过一系列的预测变量来预测响应变量(也可以说是在预测变量上回归响应变量)。线性回归是指对参数β为线性的一种回归(即参数只以一次方的形式出现)模型： Yt=α+βxt+μt (t=1……n)表示观测数
Yt 被称作因变量
xt 被称作自变量
α、β 为需要最小二乘法去确定的参数，或称回归系数
μt 为随机误差项
OLS线性回归的基本原则：最优拟合曲线应该使各点到直线的距离的平方和(即残差平方和，简称RSS)最小：
OLS线性回归的目标是通过减少响应变量的真实值与预测值的差值来获得模型参数(截距项和斜率)，就是使RSS最小。
为了能够恰当地解释OLS模型的系数，数据必须满足以下统计假设：
正态性：对于固定的自变量值，因变量值成正太分布
独立性：个体之间相互独立
线性相关：因变量和自变量之间为线性相关
同方差性：因变量的方差不随自变量的水平不同而变化，即因变量的方差是不变的