迴歸是論文裡最常出現的分析，也是報表最容易讀錯的一種。SPSS 輸出四張表，多數人只看係數表，然後把 β 和 p 抄進論文就結束了——但真正決定結果可不可信的，是另外三張。
表一：模型摘要（Model Summary）
這張表告訴你「模型整體解釋了多少」。
- R：多元相關係數，模型預測值與實際值的相關。
- R²：解釋變異量。R² = .32 表示自變項解釋了依變項 32% 的變異。
- 調整後 R²：懲罰變項數後的版本。多個自變項時一律報告這個，因為 R² 只要加變項就會上升，即使那個變項沒用。
- 估計標準誤：預測誤差的大小，單位與依變項相同。
R² 多少才算好？沒有絕對標準。社會科學裡 .20 以上就有解釋力，.50 以上算高。但重點是跟同領域的研究比，不是跟 1.0 比。
表二：變異數分析（ANOVA）
這張表的 F 檢定回答一個問題：這個模型整體有沒有比「什麼都不放」好？
F 顯著（p < .05）表示至少有一個自變項有解釋力。但注意：F 顯著不等於每個自變項都顯著，還是要回去看係數表。
如果 F 不顯著，後面的係數就沒有解讀意義——即使個別係數的 p 值小於 .05。這種情況偶爾會出現（特別是小樣本），不要拿來當作發現。
表三：係數（Coefficients）——最常被誤讀的一張
B 與 β 的差別
- B（未標準化係數）：自變項每增加 1 單位，依變項改變多少（原始單位）。寫預測公式、比較不同模型的實際效果時用它。
- β（標準化係數）：把所有變項轉成 z 分數後的效果。因為單位統一，可以用來比較不同自變項的相對影響力。
論文裡通常兩個都報：B 讓人看得懂實際意義，β 讓人比較重要性。
t 與 p
檢驗「這個係數是否顯著不等於 0」。p < .05 表示該自變項在控制其他變項後仍有解釋力。
「控制其他變項後」這句話很重要——迴歸的係數是偏效果，跟單獨做相關分析的結果可能不一樣，甚至方向相反（ suppresssion effect）。
VIF（共線性診斷）
這是最容易被忽略、但最該看的一欄。
- VIF < 5：可接受。
- VIF > 5：要注意。
- VIF > 10：嚴重共線性，係數不穩定，結果不可信。
共線性高會讓標準誤變大、係數翻轉、顯著性消失。如果你發現「明明相關很高，放進迴歸卻不顯著」，先看 VIF。
表四：殘差統計量
用來找出極端值與檢查假設：
- 標準化殘差：超過 ±3 的值要逐一檢視。
- Cook's D：> 1 表示該觀察值對模型影響過大，考慮移除並說明理由。
- 槓桿值（Leverage）：遠高於平均（例如 > 2k/n）表示該點在自變項上是離群。
四個迴歸假設怎麼檢查
- 線性：看偏迴歸圖（部分殘差圖），散點應隨機分布在 0 附近。
- 常態性：殘差直方圖與 Q-Q 圖。
- 等變異性：殘差散點圖呈漏斗狀 → 違反。可考慮加權最小平方法或對依變項取對數。
- 獨立性：Durbin-Watson 接近 2（1.5–2.5 之間可接受）。
論文裡該報告什麼
「迴歸模型整體顯著，F(3, 214) = 18.42, p < .001，調整後 R² = .19。工作滿意度（β = .38, p < .001）與主管支持（β = .24, p = .002）對離職意圖有顯著負向影響；薪資滿意度未達顯著（β = -.08, p = .21）。所有 VIF 值介於 1.12 至 1.86，無共線性問題。」
一段話包含：模型整體檢定、解釋力、各變項的 β 與 p、共線性檢查。這樣寫，委員就不會再追問。