急！有赏！有没有人看懂spss做出来的pearson相关性检验和多元线性回归！

Question

Fraud：违规 EP：环境评分 LiSize：企业规模 Roe：盈利能力 Debt：负债能力 ——做的是Fraud与EP的问题，请问根据数据做出的这些表格如何分析？

Answer 1

相关分析：“甲与乙的相关性”等同于“乙与甲的相关性”，所以相关检验表上半部分的数值和下半部分完全一致，并且是沿着对角线对称分布的。spss为节省空间就省略上半部分了。对角线上的数都是1，因为任何变量与自身的关系都是1，这很容易理解。某个变量与其他变量的相关关系，就是确定一个二维坐标的点，坐标点上的数值就是两者的相关系数。例如EP和ROE的系数，ep所在的列和roe所在的行交集的单元格里的数值是-0.38.那这两个变量的相关系数就是-0.38.有负号，说明两者存在负关系，即你增我减的关系。其绝对值0.38反映两者相关程度，1代表两者关系最密切，0为完全没有关系。其他变量照此分析。
多元回归模型：模型设定为Y=a+bX+cZ+dQ+......,其中，a为截距，是常数，X,Z,Q,为变量，b,c,d,为相应变量的系数。表4.4中的B一列指的就是b，c，d的值，也就是变量的系数（“常量”对应的B值，就是a的值，即为截距项）；T 值为对各项系数检验的值，sig（也叫P值）是T检验的概率值，t和sig两者等效，因此通常根据sig进行判别就可以了。
sig的说明：在回归模型中，基本假设（原假设）是各个变量系数都等于0，然后spss对原假设进行判断，得出一些列的sig值，意思是变量系数等于0的概率值。sig值等于0，说明系数为零的概率是0，也就是说系数不为零，对应的变量在模型中有意义。反之，当sig=1，系数为0概率是100%，不管变量何值，结果都是0，变量就没有存在的意义了。sig值基本上不存在是1或者是0的极端情况。对sig值通常有一个判定标准，那就是0.05，小于0.05，那就是拒绝为0的原假设，可以认为变量在模型中是合理的。相反大于0.05，就是不能拒绝原假设，说明变量在模型中的作用微乎其微。
最后有一项模型整体的好坏的判断，同样，sig=0.508，远大于0.05，可以说整个模型并不理想，同样，根据R值、R方的值也能看得出来。
说了那么多，不知你晕了没有，请让我晕一会。追问

不能拒绝原假设💔💔T^T也就是说这份数据研究出来压根就没用〒_〒

追答

只能说明，这份数据不适合做线性回归分析。