逐步回归分析
在自变量很多时，其中有的因素可能对应变量的影响不是很大，而且x之间可能不完全相互独立的，可能有种种互作关系。在这种情况下可用逐步回归分析，进行x因子的筛选，这样建立的多元回归模型预测效果会更较好。
逐步回归分析，首先要建立因变量y与自变量x之间的总回归方程，再对总的方程及每—个自变量进行假设检验。当总的方程不显著时，表明该多元回归方程线性关系不成立；而当某—个自变量对y影响不显著时，应该把它剔除，重新建立不包含该因子的多元回归方程。筛选出有显著影响的因子作为自变量，并建立“最优”回归方程。
回归方程包含的自变量越多，回归平方和越大，剩余的平方和越小，剩余均方也随之较小，预测值的误差也愈小，模拟的效果愈好。但是方程中的变量过多，预报工作量就会越大，其中有些相关性不显著的预报因子会影响预测的效果。因此在多元回归模型中，选择适宜的变量数目尤为重要。
逐步回归在病虫预报中的应用实例:
以陕西省长武地区1984~1995年的烟蚜传毒病情资料、相关虫情和气象资料为例（数据见DATA6.xls），建立蚜传病毒病情指数的逐步回归模型，说明逐步回归分析的具体步骤。影响蚜传病毒病情指数的虫情因子和气象因子一共有21个，通过逐步回归，从中选出对病情指数影响显著的因子，从而建立相应的模型。对1984~1995年的病情指数进行回检，然后对1996~1998年的病情进行预报，再检验预报的效果。
变量说明如下：
x11：5月份均温 y：历年病情指数 x12：5月份降水量 x1：前年冬季油菜越冬时的蚜量(头/株) x13：6月份均温 x2：前年冬季极端气温 x14：6月份降水量 x3：5月份最高气温 x15：第一次蚜迁高峰期百株烟草x4：5月份最低气温 有翅蚜量
x5：3~5月份降水量 x6：4~6月份降水量 x7：3~5月份均温 x8：4~6月份均温 x9：4月份降水量 x10：4月份均温
x16：5月份油菜百株蚜量 x17：7月份降水量 x18：8月份降水量 x19：7月份均温 x20：8月份均温 x21：元月均温
1）准备分析数据
在SPSS数据编辑窗口中，用“File→Open→Data”命令，打开“DATA6.xls”数据文件。数据工作区如下图3-1显示。
图3-1
2）启动线性回归过程
单击SPSS主菜单的“Analyze”下的“Regression”中“Linear”项，将打开如图3-2所示的线性回归过程窗口。
图3-2 线性回归对话窗口
3) 设置分析变量
设置因变量：将左边变量列表中的“y”变量，选入到“Dependent”因变量显示栏里。
设置自变量：将左边变量列表中的“x1”~“x21”变量，全部选移到“Independent(S)”自变量栏里。
设置控制变量: 本例子中不使用控制变量，所以不选择任何变量。
选择标签变量: 选择“年份”为标签变量。
选择加权变量: 本例子没有加权变量，因此不作任何设置。
4）回归方式
在“Method”分析方法框中选中“Stepwise”逐步分析方法。该方法是根据
“Options”选择对话框中显著性检验（F）的设置，在方程中进入或剔除单个变量，直到所建立的方程中不再含有可加入或可剔除的变量为止。设置后的对话窗口如图3-3。
图3-3
5)设置变量检验水平
在图6-15主对话框里单击“Options”按钮，将打开如图3-4所示的对话框。