Procédure SPSS
1. Pour réaliser l’analyse, cliquez sur Analyse, Régression, puis Linéaire.
2. En cliquant sur 
, insérez la variable dépendante et la ou les variable(s) indépendante(s) dans les boites appropriées.
3. Si vous désirez absolument que la première variable indépendante soit incluse, privilégiez la méthode Entrée.
4. Pour introduire une variable indépendante à plus d’un niveau dans le cadre d’une régression hiérarchique, cliquez sur 
, puis placez les variables indépendantes dans la boite Variables indépendantes.
5. Vous devez à nouveau choisir une méthode de régression. Si vous introduisez des variables n’ayant jamais été explorées pour prédire la VD, vous pouvez utiliser la méthode Ascendante ou Descendante. Comme dans le cas précédent, si vous voulez que SPSS conserve absolument vos variables, laissez l’option par défaut, soit la méthode Entrée.
6. Vous pouvez choisir une variable de filtrage pour limiter l'analyse à un sous-échantillon formé par les participants ayant obtenu une ou des valeur(s) particulière(s) à cette même variable.
7. Vous pouvez aussi spécifier une variable qui permettra d'identifier les coordonnées sur le graphique (Étiquettes d'observation).
8. Enfin, vous pouvez choisir une variable numérique pondérée (Poids WLS) pour effectuer l'analyse des moindres carrés. Par cette analyse, les valeurs sont pondérées en fonction de leurs variances réciproques, ce qui implique que les observations avec de larges variances ont un impact moins important sur l'analyse que les observations associées à de petites variances.
9. Pour procéder à l'analyse, cliquez sur 
.
Une présentation détaillée de toutes les options est disponible dans le procédurier de la régression simple.
Le bouton 
Pour la régression multiple, cochez les options suivantes :
L’encadré Coefficients
Estimations : valeurs b pour chaque VI et son test de signification
Intervalles de confiance : intervalle pour chaque coefficient dans la population
L’encadré Résidus
Durbin-Watson : évaluation de l’indépendance des erreurs
Diagnostic des observations : valeur de la VD observée et prédite, du résiduel et du résiduel standardisé pour chaque observation. Indique quelles observations ont un résiduel standardisé de plus de 2 ou 3 é.-t.
Les autres statistiques
Qualité de l’ajustement : fournit le test pour évaluer l’ensemble du modèle (F), le R multiple, le R2 correspondant et le R2 ajusté
Variation de R-deux : changement du R2 après l’ajout d’un nouveau bloc de VI
Caractéristiques : moyenne, é.-t. et N pour toutes les variables du modèle
Mesure et corrélations partielles :
Corrélation entre chaque VI et la VD
Corrélation partielle entre chaque VI et VD en contrôlant pour les autres VI
Corrélation «partie» ou semi-partielle entre chaque VI et la variance non expliquée de la VD par les autres VI
Test de colinéarité : évaluation de la multicolinéarité dans le modèle (VIF).
Cliquez sur 
pour revenir à la boite de dialogue principale.
Le bouton 
Les graphiques offerts peuvent vous permettre de vérifier par un examen visuel les prémisses de la régression linéaire multiple. Celui croisant les valeurs prédites (*ZPRED) et résiduelles (*ZRESID) standardisées illustre le respect (ou le non respect) de la prémisse d’homogénéité (répartition aléatoire des points autour de 0) et de linéarité (tendance des points à se concentrer autour d’une ligne).
Pour faire plus d'un graphique, utilisez le bouton .
L’encadré des diagrammes des résidus normalisés permet d’illustrer la distribution des résiduels (histogramme et diagrammes de répartition gaussiens), ce qui vous permet de faire un examen visuel du respect de la prémisse de normalité de la distribution des erreurs.
Cliquez sur pour revenir à la boite de dialogue principale.
Le bouton 
Toutes les options disponibles dans ce menu permettent de créer des nouvelles variables ayant les valeurs calculées par le modèle. Il s’agit donc de choisir les variables diagnostiques permettant d’évaluer la qualité du modèle et celles qui permettent de détecter les variables ayant une importante influence sur le modèle. On choisira donc minimalement les résidus standardisés, mais on peut également ajouter les prévisions non standardisées et/ou standardisées ainsi que la distance de Cook et les DfBêta(s) standardisés. Notez qu’en cochant des options dans la boite de dialogue Enregistrer, vous allez obtenir un tableau de résultats de plus portant sur les statistiques des résidus et comprenant minimalement la moyenne, l’écart-type, les valeurs minimales et maximales ainsi que le N.
Cliquez sur pour revenir à la boite de dialogue principale.
Le bouton 
La dernière fenêtre vous permet de déterminer les paramètres de sélection des méthodes progressives. Vous identifiez la probabilité ou la valeur de F pour introduire ou retirer des variables. Idéalement, vous conservez les valeurs par défaut à moins que vous ne vouliez que votre modèle soit plus sévère.
Évidemment, vous laissez aussi la constante dans l’équation. Vous pouvez finalement spécifier ce que vous désirez faire avec les valeurs manquantes. Encore une fois, l’option par défaut est à privilégier puisque le retrait de toute observation incomplète permet de conserver toujours le même nombre d’observations, ce qui favorise la cohérence du modèle.
Cliquez sur pour revenir à la boite de dialogue principale.