关于多元回归、分层回归与分段回归

基于预测（prediction）或解释（explanation）的不同目的，多元回归可被区分为预测型回归与解释型回归两类。在预测型回归中，研究者主要的目的在于实际问题的解决或实务上的预测与控制；解释型回归的主要目的则在于了解自变量对应变量的解释情形。在操作上，预测型回归最常使用的变量选择方法是逐步回归法（stepwise regression）。逐步回归分析可以满足预测型回归所强调的目的：以最少的变量来达成对应变量最大的预测力。因为逐步回归法是利用各解释变量与应变量之间相关的相对强弱，来决定哪些解释变量应纳入和何时纳入回归方程式，而不是从理论的观点来取舍变量。
相对的，解释型回归的主要目的在于理清研究者所关心的变量间关系，以及如何对应变量的变异提出一套具有最合理解释的回归模型。因此，不仅在选择解释变量时必须慎重其事，同事对于每一个解释变量的个别解释力，都必须给予讨论和交代，此时，除了整体回归模型的解释力，各解释变量的标准化回归系数也要作为各解释变量影响力相互比较之用。一般学术上所使用的多元回归策略，多为同时回归法，也就是不分先后顺序，一律将解释变量纳入回归方程式，进行同时分析。
不论是预测型回归还说解释型回归，如果解释变量具有理论上的层次关系，必须以不同的阶段来处理不同的解释变量对于应变量的解释，这是可以利用阶层回归分析（hierarchical regression）的区组选择程序（blockwise selection），依照理论上的先后次序，逐一检验各组解释变量对于应变量的解释。

分层回归的核心即为回归分析;区别在于分层回归可分为多层;比如第一次放入4个X;第二层放入3个X;第3层放入2个X; 每一层均在上一层基础上放入更多项;那放入的更多项是否对模型有解释力度,此则为分层回归关心的问题;分层回归通常用于中介作用或者调节作用研究中。可以使用网页版SPSSAU进行操作。