普通回归什么时候就够
线性回归把一个数值结果（消费金额、满意度得分、使用时长）建模为预测变量的加权和：y = b₀ + b₁x₁ + b₂x₂ + … + e。每个系数 b 表示在其他预测变量不变时，该预测变量每增加一个单位，结果平均变化多少；e 为残差。对没有权重的简单随机样本，普通的标准误、t 检验和置信区间都有效。
地区这类分类预测变量以相对于参照类别的虚拟变量进入模型。结果是“是/否”时用二元 Logistic 回归，计数或严重偏态的数值用广义线性模型。
权重改变什么、不改变什么
使用抽样权重时，系数是加权正规方程的解，描述的是总体而不是样本。但普通标准误把权重当作精度权重，并忽略同一群内受访者彼此相似，由此得到的检验和区间都不成立。
因此 Crosstabs 的线性回归明确区分两种权重：频率权重（整数）给出与 SPSS 相同的完整结果；抽样权重给出加权系数和 R²，但不显示标准误、检验和区间，也禁用逐步法。你也可以选择不加权计算。
用复杂抽样 GLM 做设计型回归
对有分层、整群和权重的调查，复杂抽样 GLM（对应 SPSS 的 CSGLM）拟合线性模型，并按分层和初级抽样单位（PSU）用 Taylor 线性化计算标准误。检验使用设计自由度（PSU 数减分层数）而不是个案数，并为每个参数输出设计效应。
“是/否”结果有对应的复杂抽样 Logistic 回归。相比之下，用于驱动因素分析的 Outcome Studio 只做未加权计算；选择了权重时，模型不会运行。
- 适用：来自分层或整群样本、带权重的数值结果变量。
- 适用：在多阶段抽样调查中，控制协变量后比较群体。
- 适用：检查未加权回归的结论在考虑设计后是否仍然成立。
- 不适用：交互作用或估计边际均值。该面板只估计主效应，请事先建立组合变量。
示例：用年龄、家庭人数和性别预测消费（合成数据）
示例是一项合成的住户调查（程序生成的示例数据，与英文版 Complex Samples GLM 页面相同，不是真实受访者），共 120 名受访者，来自 3 个分层和 12 个初级抽样单位，各分层权重不同。用年龄、家庭人数和性别预测消费金额，加权 R² = 0.376。
复杂抽样 GLM：年龄每增加一岁，消费增加 B = 0.93（标准误 0.21，P = .002，设计效应 1.10）；女性比男性多消费 19.63（标准误 6.78，P = .018）。所有检验都基于 9 个设计自由度（12 个 PSU − 3 个分层）。
对照：未加权回归估计年龄的 B = 0.95（标准误 0.22），并以 116 个残差自由度检验，等于假定 120 名受访者都是独立抽取的。带抽样权重的普通回归得到与设计模型相同的系数（B = 0.93），但不显示标准误：有效的不确定性只能来自抽样设计。
- 复杂抽样 GLM（设计型）：B = 0.93，标准误 0.21，自由度 9
- 线性回归，未加权：B = 0.95，标准误 0.22，自由度 116
- 线性回归，抽样权重：B = 0.93，标准误不显示
驱动因素分析的好习惯
回归系数描述的是关联，不是因果。请在分析前确定预测变量，不要让逐步法替你挑选；挑选之后的 P 值会过于乐观。检查共线性（VIF 超过约 10 就要注意）和残差，并在 B 之外报告符合抽样设计的不确定性。