主成份分析与因变量进行多元线性回归之后原始自变量的贡献率问题 既然用了主成分分析法，就意味着用主成分替代原始变量，原始变量的意义就不存在了，因此要分析原始变量的贡献率似乎意义不大。（ 南心网，可以为您解决SPSS数据统计分析方面问题）
spss：得到一个多元线性回归模型之后，如何比较预测值和真实值？如何判断模型是否有预测能力？ 1、打2113开SPSS软件后点击右上角的【打开5261文件按钮】打开你需要分析的数据4102文件。2、接下来就是开1653始做回归分析建立模型，研究其变化趋势，因为回归分析分为线性回归和非线性回归，分析它们的办法是不同的，所以先要把握它们的变化趋势，可以画散点图，点击【图形】-【旧对话框】-【散点/点状】。3、选择【简单分布】，并点击【定义】。4、在接下来的弹出框中设置x轴和y轴，然后点击确定，其他都不要管，然后得到散点图，可以看出x轴和y轴明显呈线性关系，所以接下来的回归分析就要用线性回归方法，假设图像呈曲线就需要选择曲线拟合的方法。5、点击【分析】-【回归】-【线性】。6、在弹出的线性回归框中设置自变量和因变量，其他的选项用默认设置即可，其他的选项只是用来更加精确地去优化模型。7、【模型汇总表】中R表示拟合优度，值越接近1表示模型越好。至此回归分析就完成了图中的这个模型就是比较合理的。注意事项：SPSS注意事项：1，数据编辑器、语法编辑器、输出查看器、脚本编辑器都可以同时打开多个。2，关闭所有的输出查看器后，并不退出SPSS系统。数据编辑器都退出后将关闭SPSS系统。关闭所有的数据文件时并不一定退出SPSS系统。说明：仅。
主成份分析与因变量进行多元线性回归之后原始自变量的贡献率问题 似乎这个问题我专门解决过了。既然是想获得原始自变量对因变量的贡献率，就应该直接用原始自变量来进行多元回归分析。
