多元回归的 VIF 多大算有多重共线性？

通常 VIF > 10（或容忍度 5。存在共线性时回归系数不稳定，需考虑删除或合并变量。

标准化回归系数 β 和非标准化 B 有什么区别？

B 是原始单位下的斜率，用于预测；β 是标准化后的系数，消除量纲差异，可用于比较不同自变量对因变量的相对重要性。

多元回归需要满足哪些前提假设？

线性、残差独立（Durbin-Watson 约为 2）、残差正态、方差齐性（同方差）以及无严重多重共线性。可通过残差图和 P-P 图检查。

R² 和调整后 R² 该看哪个？

自变量较多或样本较小时应看调整后 R²，因为它对纳入无用变量进行了惩罚，避免仅因增加变量而虚高的 R²。

回归/心理

多元线性回归结果怎么写、怎么解读

作者 / 审校：shujufenxi 编辑部·最后审校 2026-04-18

你遇到的问题

你用多个自变量预测一个连续因变量，输出里既有 R²、F，又有一长串 B、β、t、p，你不知道模型整体和单个预测变量该分别怎么写，也搞不清标准化系数 β 和非标准化系数 B 的区别。

适用场景

多元线性回归适用于用两个及以上自变量预测一个连续因变量，前提包括线性关系、残差独立且近似正态、方差齐性（同方差），以及自变量之间不存在严重多重共线性（可用 VIF 检查，一般要求＜10）。若因变量是二分类，应改用 Logistic 回归而非线性回归。

正确做法

先报告模型整体：R²、调整后 R²（adjusted R²）以及模型显著性 F（df1，df2）＝检验值、p 值；再逐个报告每个预测变量的系数（B 或标准化 β）、t 值与 p 值，并说明方向和相对重要性。跨变量比较贡献大小时用标准化 β，解释单位变化的实际含义时用非标准化 B。

报告示例：回归模型整体显著，R²＝0.38、调整后 R²＝0.36，F（3，196）＝40.12，p＜.001，共解释了 38% 的方差。其中学习投入（β＝0.41，t＝6.35，p＜.001）和自我效能（β＝0.23，t＝3.48，p＝.001）显著正向预测学业成绩，而每周娱乐时长的预测作用不显著（β＝−0.08，t＝−1.22，p＝.224）。

常见错误

错误一：只报 R² 不报调整后 R²，或只报模型整体显著就不逐个报告各预测变量的系数与显著性，读者无法知道是哪个变量在起作用。错误二：混淆 B 与 β，用非标准化 B 的大小直接比较不同变量的重要性，而忽略了变量量纲不同，跨变量比较应使用标准化 β。

需要更进一步？

如果你被 R²、调整后 R²、B 与 β 一堆数字绕晕，可以把回归输出粘贴进统计结果解读器，它会帮你区分模型层与系数层并生成规范表述；如果遇到多重共线性、交互项、分层回归或中介调节等更复杂的模型，可以预约辅导逐步搭建。

操作步骤

SPSS

「分析 → 回归 → 线性」，打开线性回归对话框。
将因变量（如工作绩效）选入「因变量」框，将各预测变量选入「自变量」框，方法选「输入」。
点击「统计」，勾选「估计」「模型拟合度」「R 方变化」「共线性诊断」，点击「继续」。
点击「图」，将 ZRESID 选入 Y、ZPRED 选入 X，勾选「正态概率图」以检查残差假设。
在输出中读取模型摘要（R²、调整 R²）、ANOVA 表（F 与 Sig.）及系数表（B、Beta、t、Sig.、VIF）。

# 多元线性回归
df <- read.csv('data.csv')
fit <- lm(performance ~ ability + motivation + tenure, data = df)
summary(fit)  # 读取 R 方、F、各系数
library(car); vif(fit)  # 共线性诊断
library(lm.beta); lm.beta(fit)  # 标准化回归系数 Beta

完整示例（模拟数据）

以能力、动机与司龄预测员工工作绩效（模拟数据样例，N = 150）。

构建多元线性回归模型，以能力、动机和司龄预测工作绩效。模型整体显著，F(3, 146) = 35.20，p < .001，R² = 0.42，调整后 R² = 0.40，可解释绩效 42% 的变异。各预测变量共线性可接受（VIF 均 < 2）。具体而言，能力（β = 0.35，t = 5.12，p < .001）与动机（β = 0.28，t = 4.03，p < .001）显著正向预测绩效，司龄的预测作用较弱但显著（β = 0.15，t = 2.22，p = .028）。

统计量	数值
能力 β（p）	0.35（< .001）
动机 β（p）	0.28（< .001）
司龄 β（p）	0.15（.028）
R²	0.42
调整后 R²	0.40
F(3, 146)	35.20（p < .001）

常见疑问

多元回归的 VIF 多大算有多重共线性？: 通常 VIF > 10（或容忍度 < 0.1）提示严重多重共线性，较严格的标准取 VIF > 5。存在共线性时回归系数不稳定，需考虑删除或合并变量。
标准化回归系数 β 和非标准化 B 有什么区别？: B 是原始单位下的斜率，用于预测；β 是标准化后的系数，消除量纲差异，可用于比较不同自变量对因变量的相对重要性。
多元回归需要满足哪些前提假设？: 线性、残差独立（Durbin-Watson 约为 2）、残差正态、方差齐性（同方差）以及无严重多重共线性。可通过残差图和 P-P 图检查。
R² 和调整后 R² 该看哪个？: 自变量较多或样本较小时应看调整后 R²，因为它对纳入无用变量进行了惩罚，避免仅因增加变量而虚高的 R²。

参考来源

· Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
· Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). Sage.
· Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied Multiple Regression/Correlation Analysis (3rd ed.). Routledge.

用这个方法的示例试试解读器预约辅导

工具输出请自行核对后使用。内容参考见方法论标准。

← 返回知识库