回归分析（示例：睡眠拖延的预测因素）

生成时间 2026-10-18 12:13:07

方法说明

多元线性回归（OLS），n=584

数据来源

数据文件：/home/tester/nurse_student/data/data_ready.csv（用同份数据 + 上述方法可复现结果）

模型设定

下表为本次分析实际使用的设定（由分析程序自动原样列出，非 AI 转述）。解读数字前请先核对设定与你的研究假设一致——尤其路径方向与变量角色；质量门控只检查统计前提，发现不了「设定对不对」。

设定项	内容
因变量 Y	SP条目均分
预测变量	FTP条目均分、SC条目均分

分析变量描述

变量	n	M	SD	最小值	最大值
SP条目均分	584	2.966	0.565	1.222	5
FTP条目均分	584	2.658	0.453	1.4	4
SC条目均分	584	3.169	0.604	1	5

论文 Table 1 惯例：先报告变量分布再报告模型。此处为进入模型的数值变量；人口学分类变量的频数/构成比由频率分析报告承担。

变量	SP条目均分	FTP条目均分	SC条目均分
SP条目均分	1
FTP条目均分	-0.329 ***	1
SC条目均分	-0.58 ***	0.393 ***	1

模型

多元线性回归（OLS）：SP条目均分 ~ FTP条目均分 + SC条目均分，n=584。

模型摘要

指标	值
R²	0.349
调整 R²	0.346
F	155.427（p=<0.001）
残差 SE	0.457
AIC / BIC	744.524 / 757.634

回归系数

项	B	SE	标准化β	t	p	95% CI	显著
截距	4.94	0.128	—	38.7	0	4.692 ~ 5.194	是
FTP条目均分	-0.149	0.0454	-0.12	-3.28	0.00109	-0.238 ~ -0.06	是
SC条目均分	-0.499	0.0341	-0.533	-14.6	0	-0.566 ~ -0.432	是

B = 非标准化系数；标准化β 便于比较相对强度；CI 为非标准化系数的置信区间。解读顺序：先 F/p（模型整体）→ R²（解释率）→ 各系数方向与显著性。

结果表述（可直接粘贴改写）：回归模型整体显著，R² = 0.349，调整 R² = 0.346，F(2, 581) = 155.43，p < .001。FTP条目均分（β = -0.12，p = 0.001，负向预测）；SC条目均分（β = -0.53，p < .001，负向预测）。各自变量 VIF 均 < 5，无严重共线性。

共线性（VIF）

变量	VIF
FTP条目均分	1.18
SC条目均分	1.18

VIF > 10 提示严重共线性，>5 需留意；处理：合并/删除高相关预测变量。

系数森林图

Fig. 2. Standardized regression coefficients (β) with 95% confidence intervals. Note: filled points with solid whiskers = significant at p < .05; open points with dashed whiskers = not significant; the right-hand column lists point estimates with significance stars.

说明：标准化系数 β ± 95% CI：实心点+实线须为显著，空心点+虚线须为不显著，右侧为点估计与星标。

附录：回归诊断四联图（自查）

Fig. 1. Regression diagnostic plots. (1) Residuals vs fitted (linearity / homoscedasticity); (2) normal Q-Q (normality of residuals); (3) scale-location (homoscedasticity); (4) residuals vs leverage with Cook's-distance contours — numbered points beyond the dashed lines warrant inspection.

说明：①残差-拟合：红线应近似水平；②Q-Q：点应沿红线；③Scale-Location：无趋势；④杠杆图虚线外标号点为强影响点。

论文惯例：假设检验结果以文字/质量检查区呈现，诊断图作补充材料。

质量检查

存在 2 项提醒、0 项未达标：解读时需结合下方建议。

检查项	实际值	参考标准	状态	建议
模型整体显著性	p = <0.001	F 检验 p < 0.05	✓ 通过
模型解释率	0.348	≥0.02	✓ 通过
共线性 VIF	1.18	≤5	✓ 通过
残差自相关 DW	DW = 1.211	DW 1.5 ~ 2.5	⚠ 提醒	横截面数据自相关常提示遗漏变量或模型设定问题；检查变量选择与设定
残差正态性	p = 0	Shapiro p ≥ 0.05	⚠ 提醒	考虑对 Y 做变换或改用稳健方法；大样本下轻微偏离可接受（检验过于敏感）

📄 复现代码⬇ R

R 代码

# 回归分析复现代码
dat <- read.csv('YOUR_DATA.csv')
model <- lm(SP条目均分 ~ FTP条目均分 + SC条目均分, data = dat)
summary(model)
# 诊断图
par(mfrow = c(2, 2)); plot(model)
# 标准化系数
install.packages('lm.beta'); lm.beta::lm.beta(model)

AI 建议

[提醒] 残差自相关 DW——横截面数据自相关常提示遗漏变量或模型设定问题；检查变量选择与设定
[提醒] 残差正态性——考虑对 Y 做变换或改用稳健方法；大样本下轻微偏离可接受（检验过于敏感）