P-P图近似呈现为一条对角直线，说明数据接近正态分布。从上图可以看到，残差的P-P图近似为一条对角直线，故认为残差基本满足正态分布，满足假设3。
（4）检验假设4：方差齐
多元线性回归方差齐指的是残差项在不同自变量取值下具有相同的方差，即各组残差具有相同的离散程度。可以通过绘制标准化预测值与标准化残差的散点图来检验多元线性回归的方差齐性。以标准化预测值为横坐标，以标准化残差为纵坐标，绘制散点图。
①数据标准化处理
首先将保存的残差值和预测值进行标准化处理，在SPSSAU【数据处理】模块，选择【生成变量】，选中残差值和预测值，在“量纲处理”选择标准化处理，点击“确认处理”，操作如下图：
②散点图绘制
以标准化预测值为X轴，以标准化残差为Y轴，绘制散点图，得到散点图如下：
如果方差齐性假设成立，则散点图中的点应该大致均匀分布在坐标系中，散点的分布情况不会因为标准化预测值的变化而改变。从上图可以看出，散点基本均匀分布在坐标系中，无明显趋势，所以可以认为满足假设4，即残差近似满足方差齐性。
（5）检验假设5：多重共线性
自变量之间不存在多重共线性，如果存在多重共线性，那么自变量之间的线性关系会导致回归系数的估计变得不稳定，增加标准误差，从而影响预测的准确性。同时，多重共线性还会导致t检验和P值失去意义，无法准确判断自变量对因变量的影响。在多元线性回归分析中，我们通常使用方差膨胀因子（VIF值）来检测多重共线性。
SPSSAU线性回归分析结果输出共线性诊断结果如下：
SPSSAU同时输出VIF值和容忍度值（容忍度=1/VIF，二者选其一即可，通常描述VIF值）。一般认为，当VIF值大于5时（或容忍度小于0.2），存在严重的多重共线性问题。分析上表知，VIF值均小于5，所以认为本案例自变量之间不存在多重共线性问题，满足假设5。
如果存在共线性问题，可以通过移除共线性变量、使用逐步回归、岭回归或者增加样本量等方式进行处理。
综上所述，本案例数据满足使用多元线性回归分析的假设，可以进行分析。
四、线性回归分析
本案例线性回归分析结果如下：
