从直方图可以看出，数据呈现出的分布并不对称，但是从形状来看，直方图近似呈现“中间高，两头低”的钟形分布形状，说明数据为可接受的正态分布。即说明残差符合正态分布，模型构建较好。如果残差正态性非常糟糕，建议重新构建模型，比如对因变量Y取对数后再次构建模型等。
以上指标分析完成后，最后进行归回分析结果解读，判断哪些自变量对因变量有显著影响，影响方向、影响大小是怎样的；构建回归分析模型。
五、回归分析模型SPSSAU输出回归分析结果如下：
（1）模型公式
从上表可以看出，以初始工资、教育程度、工作经验为自变量，工资为因变量进行多元线性回归分析，得到回归模型公式为：工资=18326.101 0.353*初始工资-280.300*教育程度 144.955*工作经验。
特别提示：构建回归模型使用非标准化回归系数，它是方程中不同自变量对应的原始回归系数，反映了在其他自变量不变的情况下，该自变量每变化一个单位对因变量作用的大小。通过非标准化回归系数构建的回归方程，才可以对因变量进行预测。
（2）影响大小比较
自变量对因变量影响大小的比较是通过标准化回归系数进行比较的。标准化回归系数的绝对值越大，说明该自变量对因变量的影响越大。
标准化回归系数，是对自变量和因变量同时进行标准化处理后所得到的回归系数，数据经过标准化处理后消除了量纲、数量级等差异的影响，是的不同变量之间具有可比性，因此使用标准化回归系数比较不同自变量对因变量的影响大小。
从线性回归结果可以看出，初始工资、教育程度、工作经验的标准化回归系数分别是：0.168、-0.046、0.881；所以工作经验对工资的影响最大，其次是初始工资，影响最小的是教育程度，且初始工资与工作经验对工资的影响是显著正向的，而教育程度对工资的影响是显著负向的。
（3）coefPlot
SPSSAU会输出coefPlot图，用于展示具体的回归系数值和对应的置信区间，可直观查看数据的显著性情况，如果说置信区间包括数字0则说明该项不显著，如果置信区间不包括数字0则说明该项呈现出显著性。
具体数值还可通过SPSSAU输出的回归系数中间过程值表格查看，见下图：
从上表可以看出，3个自变量回归系数对应的置信区间均不包括0，说明3个自变量对因变量的影响均呈现出显著性。
综上所述，探究工资的影响关系，经过基本关系分析后，得到与因变量有相关关系的自变量后进行多元线性回归分析，发现初始工资、教育程度、工作经验对工资有显著影响，其中工作经验对工资的影响最大，多元线性回归分析结束。
