申德拉博士（Dr. 申德拉博士（Dr. Christian FG Schendera）， 在数据的采集，处理，分析，可视化和沟通方面有二十多年的经验，曾为多个不同领域的大公司和研究机构提供专业的统计分析和咨询管理服务，已在SPSS，SAS和SQL领域出版了八本关于数据分析和数据质量的德语专著。

　　回归分析在科学研究领域是最常用的统计方法。《SPSS回归分析》介绍了一些基本的统计方法，例如，相关、回归（线性、多重、非线性）、逻辑（二项、多项）、有序回归和生存分析（寿命表法、Kaplan-Meier法以及Cox回归）。后面的章节介绍了另外一些回归分析方法和模型，例如，个体生长曲线的建模、PLS部分最小平方回归、岭回归、巢式病例对照研究。《SPSS回归分析》对运用SPSS进行回归分析的介绍，目的是让读者对于这方面的基础知识有一个初步了解和掌握，有经验的读者藉此可在数据挖掘（例如，利用Clementine）领域独立地继续学习新知识。

　　《SPSS回归分析》：
　　如果要检验在一个因果模型中，是否一个变量会有规律地造成另一个变量的变异，则可以选择回归法代替相关法。对于复杂的模型，可以考虑使用的方法主要是偏相关（第5.3节）或者偏回归，必要时也可以使用路径分析（第5.1节）。 
　　为了测定两个变量之间关联的程度，统计学发展出了很多测量方法。然而，在各种文献中，对于相关量度（“相关”、“相联”）的专业术语并没有取得统一（参见Lorenz，1992，58ff.）。例如，如果调查几列数值对之间（线性）关联的强度，则人们就将定距型数据或者定序数据（量度数据、极差数据）称为具有相关性。对于交叉列表、2×2表或者列联表则使用相联，或者列联的叫法。对于定序变量，则根据斯皮尔曼相关分析方法将关联强度称为相关。相反，根据肯德尔或萨默斯相关分析方法则称为列联或者相联。Bortz（1993，参见第6.3节）甚至对二元变量采用了相关的说法。选择使用哪种方法，最终取决于变量类别的数量、分布和尺度水平（参见关于列表分析的章节）。在某些情况下，是否存在一个因果模型（例如，“X造成Y”）、关系的原因、变量的数量和其他因素也很重要。但是，所有方法都遵循一个基本原则。从根据经验观察到的关联和理论上的最大关联两个方面对变量进行比较。换而言之，将各个变量当前实际的共同点，与变量之间关系达到完美时变量之间本应具有的共同点进行比较。
　　……

第1章 相关
1.1 引言
1.2 第一个前提条件：尺度水平
1.3 其他前提条件：线性、同方差性和连续性
1.4 说明：对线性的图形检验
1.4.1 过程GRAPH，Scatterplot选项
1.4.2 SPSS过程命令CURVEFIT
1.5 相关系数的统计和解释
1.5.1 相关系数的统计量
1.5.2 相关系数的解释
1.6 利用SPSS的计算（示例）
1.7 难点：线性、产生错觉相关和一型差误累积
1.7.1 产生错觉相关和偏相关
1.7.2 一型差误累积问题
1.8 特殊用途
1.8.1 相关系数的比较
1.8.2 比较相关的一致性
1.8.3 正准相关
1.9 计算皮尔逊相关系数的前提条件

第2章 线性回归和非线性回归
2.1 线性回归：有因果方向的关联
2.1.1 双变量线性回归：利用REGRESSION的回归分析概述
2.1.2 双变量线性回归的示例和语句——第一步：根据杠杆值和残差检验线性
并识别离群值
2.1.3 输出结果和解释
2.1.4 过程2：删除离群值的效应——选出的输出结果
2.1.5 说明：绘制回归直线（IGRAPH）的图形
2.2 非线性简单回归
2.2.1 利用线性回归对线性函数进行分析
2.2.2 利用线性回归分析调查非线性函数
2.2.3 将非线性函数线性化，并利用线性回归进行调查
2.2.4 利用非线性回归分析非线性函数：非线性回归
2.2.5 更高的要求：带有两个预测变量的非线性回归
2.2.6 用于非线性回归的SPSS过程NLR和CNLR
2.2.7 非线性回归的假设
2.2.8 总览表：非线性回归的模型
2.3 多元线性回归：多重共线性和其他难点
2.3.1 多元回归的特点
2.3.2 第一个例子：多元回归特殊统计的解释
2.3.3 第二个例子：多重共线性的识别和消除
2.4 计算线性回归的前提条件

第3章 逻辑回归和有序回归
3.1 引言：因变量的因果模型和测量水平
3.2 二元逻辑回归
3.2.1 逻辑回归方法和与其他方法的比较
3.2.2 示例界面和语法：逐步法（BSTEP）
3.2.3 输出结果和解释
3.2.4 示例和语法：直接法ENTER
3.2.5 输出结果和解释
3.2.6 补充说明逻辑回归的理论检验vs诊断：模型拟合优度vs预测效率
3.2.7 二元逻辑回归的前提条件
3.3 有序回归
3.3.1 有序回归方法和与其他方法的比较
3.3.2 例1界面操作和语法：定距预测变量（WITH-选项）
3.3.3 输出结果和解释
3.3.4 例2和语法：分类预测变量（BY选项）
3.3.5 输出结果和解释
3.3.6 有序回归的前提条件
3.4 多项逻辑回归
3.4.1 例子、界面选择和语法：主效应模型（二元因变量）
3.4.2 输出结果和解释
3.4.3 补充说明：逐步计算带有一个二元因变量的模型：
NOMREGREGRESSION和LOGISTICREGRESSION输出结果的比较
3.4.4 特殊情况：带有定量预测变量的巢式病例对照研究（1：1）——示例、
语法、输出结果和解释
3.4.5 补充说明：LOGISTICREGRESSION对比NOMREG（区别）
3.4.6 多项逻辑回归的前提条件
3.5 本章所介绍的各种回归方法的比较

第4章 生存分析
4.1 生存分析概述
4.2 生存分析的基本原理
4.2.1 生存函数S（t）
4.2.2 确定生存函数S（t）
4.2.3 其他函数
4.3 截尾数据
4.3.1 非期望事件或者未发生目标事件
4.3.2 对截尾数据与非截尾数据做不同处理的三个理由
4.3.3 失效数据和截尾的处理（三种方法）
4.4 估计生存时间S（t）的方法
4.4.1 保险精算法和寿命表法
4.4.2 使用Kaplan-Meier法估计生存时间S（t）
4.4.3 无截尾和有截尾的示例（方法：Kaplan-Meier）
4.5 对多个组进行比较的检验
4.6 利用SPSS进行生存分析
4.6.1 示例：无因子Kaplan-Meier法
4.6.2 示例：采用因子的Kaplan-Meier法
4.6.3 利用因子变量与分层变量进行比较（Kaplan-Meier法）
4.6.4 Kaplan-Meier分析的置信区间
4.6.5 不带因子的寿命表计算法示例
4.6.6 带有因子的寿命表法计算示例
4.6.7 计算生存分析的首要条件
4.7 Cox回归
4.7.1 Cox模型简介和背景知识
4.7.2 带有定量协变量的Cox回归
4.7.3 带有二元协变量的Cox回归（k=2）
4.7.4 带有分类协变量的Cox回归（k＞2）
4.7.5 针对交互作用的Cox回归
4.7.6 检验Cox回归的前提条件
4.7.7 带有时间相依的定量协变量的Cox回归
4.7.8 Cox回归的特定前提条件
4.7.9 附录：对比方法

第5章 回归分析的其他应用实例
5.1 偏回归
5.1.1 运用PLS过程（PythonExtension）进行计算
5.1.2 运用SPSS过程REGRESSION进行计算
5.2 个体生长曲线
5.2.1 方法1：随机截距模型
5.2.2 方法2：随机斜率模型
5.2.3 方法3：随机截距和随机斜率模型
5.3 岭回归（SPSS宏）
5.3.1 利用岭迹实现多重共线性的可视化
5.3.2 岭回归的计算
5.3.3 SPSS宏“Ridge-Regression”

第6章 其他方法和模型（一览）
6.1 通过SPSS菜单调用其他回归方法
6.2 可用语句调用的其他回归形式
附录A公式
参考文献
您对本书的建议和意见
作者简介