一般迴歸何時就夠
線性迴歸把一個量化變數（消費金額、滿意度分數、使用時間）建模為預測變數的加權總和。每個係數 B 表示在其他預測變數不變時，該預測變數每增加一個單位，結果改變多少。沒有權重的簡單隨機樣本，一般的標準誤、t 檢定與信賴區間都是有效的。
地區這類類別預測變數，以相對於參照類別的虛擬變數納入。結果是「是／否」時用二元邏輯斯迴歸，計數或高度偏態的數值則用廣義線性模型。
公式
y = b₀ + b₁x₁ + b₂x₂ + … + e
- 其中
- bⱼ
- 其他預測變數不變時，xⱼ 每增加一個單位 y 的期望變化
- e
- 殘差
權重會改變什麼、不會改變什麼
使用抽樣權重時，係數是加權正規方程式的解，描述的是母體而不是樣本。但一般的標準誤把權重當成精確度權重，並忽略同一集群的受訪者彼此相似。由此得出的檢定與區間都無效。
因此 Crosstabs 的線性迴歸會明確區分：次數權重（整數）提供與 SPSS 相同的完整結果；抽樣權重提供加權係數與 R²，但不顯示標準誤、檢定與區間，也停用逐步法。你也可以選擇不加權計算。
以複雜抽樣 GLM 做設計式迴歸
對有分層、集群與權重的調查，複雜抽樣 GLM（SPSS 的 CSGLM）配適線性模型，並以 Taylor 線性化跨分層與初級抽樣單位（PSU）計算標準誤。檢定使用設計自由度（PSU 數減分層數）而不是個案數，並為每個參數輸出設計效應。
「是／否」結果則有對應的複雜抽樣邏輯斯迴歸。相對地，用於驅動因素分析的 Outcome Studio 只做未加權計算；選了權重，模型就會被封鎖。
- 來自分層或集群樣本、附權重的量化結果變數。
- 在多階段抽樣調查中，控制共變數後比較群體。
- 檢查未加權迴歸的結果在考慮設計後是否仍成立。
- 交互作用或估計邊際平均數：此面板只估計主效果，請事先建立組合變數。
驅動因素分析的好習慣
迴歸係數描述的是關聯，不是因果。請在分析前選定預測變數，不要讓逐步法替你挑；挑選後的 p 值會過度樂觀。請檢查共線性（VIF 超過約 10 就要注意）與殘差，並在 B 之外報告符合抽樣設計的不確定性。
計算範例
計算範例：依年齡、家戶人數與性別預測消費
一項合成的家戶調查，共 120 位受訪者，來自 3 個分層與 12 個初級抽樣單位，各分層權重不同。以年齡、家戶人數與性別預測消費金額，加權 R² = 0.376。
複雜抽樣 GLM：年齡每增加一歲，消費增加 B = 0.93（標準誤 0.21，p = 0.002，設計效應 1.10）；女性比男性多消費 19.63（標準誤 6.78，p = 0.018）。所有檢定都以 9 個設計自由度（12 個 PSU − 3 個分層）為基礎。
對照：未加權迴歸估計年齡的 B = 0.95（標準誤 0.22），並以 116 個殘差自由度檢定，等於假設 120 位受訪者都是獨立抽出的。加上抽樣權重的一般迴歸得到與設計模型相同的係數（B = 0.93），但不顯示標準誤：有效的不確定性只能來自抽樣設計。
| 分析 | B | 標準誤 | 自由度 |
|---|---|---|---|
| 複雜抽樣 GLM（設計式） | 0.93 | 0.21 | 9 |
| 線性迴歸，未加權 | 0.95 | 0.22 | 116 |
| 線性迴歸，抽樣權重 | 0.93 | 不顯示 | – |
合成的分層集群樣本，與英文版 Complex Samples GLM 頁面的範例相同。所有數值皆以 Crosstabs 的迴歸與複雜抽樣引擎算出。