線性迴歸引數設定
1、執行軟體，輸入演示資料，如下圖所示。
2、選擇選單分析>迴歸>線下，彈出線性迴歸引數設定視窗。
3、設定廣告為自變數，銷售額為因變數。
4、選擇選項，本經驗就模型殘差進行Durbin Watson檢驗，用於判斷殘差是否獨立，作為一個基礎條件來判斷資料是否適合做線性迴歸。
1、下圖第3列R方為判定係數，一般認為需要大於60%，用於判定線性方程擬合優度的重要指標，體現了迴歸模型解釋因變數變異的能力，越接近1越好。從結果中可以看出值為0.919，初步判斷模型擬合效果良好。
2、方差分析的顯著性值=0.000<0.01<0.05，表明由自變數“廣告費用”和因變數“銷售量”建立的線性關係迴歸模型具有極顯著的統計學意義，即增加廣告費用可銷售量這樣的線性關係顯著。
3、下圖建模的最直接結果，讀取未標準化係數，我們可以輕鬆寫出模型表示式，如下：Y=79.991+9.503X這裡關鍵要看自變數廣告費用的迴歸係數是否透過檢驗，t檢驗原假設迴歸係數沒有意義，由最後一列迴歸係數顯著性值=0.000<0.01<0.05，表明迴歸係數b存在，有統計學意義，廣告費用與銷售量之間是正比關係，而且極顯著。
4、上面已經得出迴歸邏輯公式，接下來我們需要檢驗資料是否可以做迴歸分析，它對資料的要求是苛刻的，有必要就殘差進行分析。從標準化殘差直方圖來看，，左右兩側不完全對稱；從標準化殘差的P-P圖來看，散點並沒有全部靠近斜線，並不完美。綜合而言，殘差正態性結果不是最好的，當然在現實分析當中，理想狀態的正態並不多見，接近或近似即可考慮接受。
5、模型殘差獨立性檢驗。DW=1.475，查詢 Durbin Watson table 可以發現本例DW值恰好出在無自相關性的值域之中，認定殘差獨立，透過檢驗。
6、預測。這一步直接使用公式輸入即可算出。至此，建立了廣告和銷售量之間的線性迴歸模型，並且實施了預測，那麼模型的準確性到底如何呢，有待最終實際銷售比對分析。
線性迴歸引數設定
1、執行軟體，輸入演示資料，如下圖所示。
2、選擇選單分析>迴歸>線下，彈出線性迴歸引數設定視窗。
3、設定廣告為自變數，銷售額為因變數。
4、選擇選項，本經驗就模型殘差進行Durbin Watson檢驗，用於判斷殘差是否獨立，作為一個基礎條件來判斷資料是否適合做線性迴歸。
主要結果解釋1、下圖第3列R方為判定係數，一般認為需要大於60%，用於判定線性方程擬合優度的重要指標，體現了迴歸模型解釋因變數變異的能力，越接近1越好。從結果中可以看出值為0.919，初步判斷模型擬合效果良好。
2、方差分析的顯著性值=0.000<0.01<0.05，表明由自變數“廣告費用”和因變數“銷售量”建立的線性關係迴歸模型具有極顯著的統計學意義，即增加廣告費用可銷售量這樣的線性關係顯著。
3、下圖建模的最直接結果，讀取未標準化係數，我們可以輕鬆寫出模型表示式，如下：Y=79.991+9.503X這裡關鍵要看自變數廣告費用的迴歸係數是否透過檢驗，t檢驗原假設迴歸係數沒有意義，由最後一列迴歸係數顯著性值=0.000<0.01<0.05，表明迴歸係數b存在，有統計學意義，廣告費用與銷售量之間是正比關係，而且極顯著。
4、上面已經得出迴歸邏輯公式，接下來我們需要檢驗資料是否可以做迴歸分析，它對資料的要求是苛刻的，有必要就殘差進行分析。從標準化殘差直方圖來看，，左右兩側不完全對稱；從標準化殘差的P-P圖來看，散點並沒有全部靠近斜線，並不完美。綜合而言，殘差正態性結果不是最好的，當然在現實分析當中，理想狀態的正態並不多見，接近或近似即可考慮接受。
5、模型殘差獨立性檢驗。DW=1.475，查詢 Durbin Watson table 可以發現本例DW值恰好出在無自相關性的值域之中，認定殘差獨立，透過檢驗。
6、預測。這一步直接使用公式輸入即可算出。至此，建立了廣告和銷售量之間的線性迴歸模型，並且實施了預測，那麼模型的準確性到底如何呢，有待最終實際銷售比對分析。