分层回归是一种统计方法，主要用于在回归分析中考虑自变量的分层效应，以研究不同层次结构对因变量的影响。以下是进行分层回归的主要原因及补充说明：

一、核心作用

处理多重共线性

当自变量之间存在高度相关性时，直接进行多元回归分析可能导致模型不稳定或参数估计不准确。分层回归通过逐层引入自变量，可有效降低多重共线性的影响，提高模型稳定性。

评估变量独特贡献

将核心变量置于模型最后引入，可考察在控制其他变量后，该变量的独特影响。若变量仍显著，则说明其具有其他变量无法替代的作用，有助于识别关键影响因素。

研究中介或调节作用

分层回归适用于分析中介变量或调节变量的影响，例如在心理学、社会学和医学研究中，常用于探讨特定条件如何影响其他变量之间的关系。

二、适用条件

因变量为连续变量

自变量≥2个 （可包含连续或分类变量）

数据满足回归基本假设 ：线性关系、方差齐性、残差正态分布、无多重共线性及无显著异常值

三、与传统方法的区别

四、实施步骤（以SPSS为例）

打开SPSS，选择“回归”功能→“多元线性回归”

将分层变量拖入“分层”框，其他预测变量放入“独立”框，因变量放入“因变量”框

运行分析，观察各层模型的R²值及F检验结果

五、注意事项

分层回归需满足回归分析的基本假设，否则可能影响结果可靠性

实际应用中需结合研究问题选择合适的分层变量（如按年龄、性别分层）

通过分层回归，研究者可以更清晰地揭示变量间的层次关系，提升模型的解释力与预测准确性。