做回归分析时，自变量往往量纲各不相同：工作压力是 1–5 分的量表，收入是以"元"计的数字，年龄是"岁"……直接比较原始回归系数 B 毫无意义，就像问"1 公里和 1 小时哪个更大"一样。
标准化系数 Beta 解决的正是这个问题：它先把所有变量（自变量和因变量）都转换成标准分（Z 分数，均值为 0、标准差为 1），再做回归。这样每个变量都在同一把"标准差"的尺子上，系数才可以互相比较。
SD_x = 该自变量的标准差，SD_y = 因变量的标准差。
含义：自变量 x 每增加 1 个标准差，因变量 y 预计变化 Beta 个标准差（其他变量不变）。
保留原始量纲，含义直白：x 每增加 1 个原始单位，y 增加 B 个原始单位。适合解释"实际意义"（例如"每增加一年工龄，月薪增加 320 元"）和代入公式做预测。
消除量纲，含义：x 每增加 1 个标准差，y 变化 β 个标准差。适合在同一模型内比较哪个自变量对因变量的影响"更重"——绝对值越大越重要。
| 维度 | 非标准化系数 B | 标准化系数 Beta（β） |
|---|---|---|
| 变量处理 | 保留原始量纲 | 自变量与因变量均已标准化（Z 化） |
| 含义 | x 增加 1 原始单位，y 增加 B 个原始单位 | x 增加 1 标准差，y 变化 β 个标准差 |
| 取值范围 | 任意实数（由原始单位决定） | 简单回归时 -1 到 1；多元回归可超出此范围 |
| 能否跨变量比较重要性 | 不能（单位不同无法比较） | 能（同一模型内绝对值越大越重要） |
| t 值 / p 值 | 两者完全相同（标准化不改变显著性） | |
| 主要用途 | 实际预测、政策解释 | 比较自变量相对贡献、文献综述比较 |
| 论文是否必须报告 | 必须（作为基础系数） | 强烈建议（大多数量化论文要求） |
以护理研究为例：以"职业倦怠总分"为因变量，三个自变量做多元线性回归，得到以下结果：
| 自变量 | B（非标准化） | SE | Beta（β） | t | p | VIF |
|---|---|---|---|---|---|---|
| 工作压力 | 0.52 | 0.08 | 0.45 | 6.50 | < 0.001 | 1.82 |
| 社会支持 | -0.31 | 0.07 | -0.28 | -4.43 | < 0.001 | 1.75 |
| 薪酬满意度 | 0.19 | 0.06 | 0.19 | 3.17 | 0.002 | 1.34 |
用 Beta 绝对值排重要性（从大到小）：
多元线性回归结果（表X）显示，工作压力（β = 0.45，p < 0.001）、社会支持（β = -0.28，p < 0.001）和薪酬满意度（β = 0.19，p = 0.002）均对职业倦怠有显著影响。从标准化系数绝对值来看，工作压力对职业倦怠的相对影响最大（β = 0.45），其次为社会支持（|β| = 0.28），薪酬满意度影响相对最小（β = 0.19）。
以工作压力、社会支持、薪酬满意度为自变量，职业倦怠总分为因变量做多元线性回归，输出非标准化系数B、标准化系数Beta、t值、p值和VIF，生成三线表，并按Beta绝对值说明各变量的相对重要性
Beta 的正负号表示自变量与因变量的影响方向：
比较重要性时，用 Beta 的绝对值，不看正负；但解释因果方向时，必须看正负。两者缺一不可。
简单线性回归（只有 1 个自变量）时，Beta 等于自变量与因变量的 Pearson 相关系数，取值范围严格在 -1 到 1 之间。
但多元回归中，Beta 可能超出 -1 到 1，这是正常的数学结果，不是计算错误。其根本原因是自变量之间存在相关（多重共线性）：两个高度相关的自变量会"争夺"对因变量的解释权，导致系数发生膨胀或压缩，甚至出现符号反转。
以上述五个自变量做多元线性回归，同时输出VIF、容差（Tolerance）和Beta，如发现VIF大于5的变量请标注并提示共线性风险
分层回归（层次回归）是将变量分批纳入模型，观察每批变量加入后 Beta 的变化，从而判断控制变量后某自变量的独立影响：
如果某变量在第一层 Beta 显著，第二层加入新变量后 Beta 变为不显著或大幅缩小，说明其影响被后续变量"解释掉了"，可能存在中介效应或混淆。
第一步仅纳入人口学变量，模型解释量 R² = 0.08，F(3, 196) = 5.71，p < 0.001。第二步加入工作压力和社会支持后，R² = 0.31，ΔR² = 0.23，F变化量(2, 194) = 32.43，p < 0.001，其中工作压力（β = 0.45，p < 0.001）和社会支持（β = -0.28，p < 0.001）均对职业倦怠有独立的显著预测作用。
做两步分层回归：第一层放性别年龄工龄作为控制变量，第二层加入工作压力和社会支持，输出每层的R²、Delta R²、F变化量，以及第二层各自变量的B、Beta、t、p和VIF，生成三线表
正确：Beta 和 B 只是尺度不同，t 值与 p 值完全一样——标准化不改变检验结果。同一行的 t 和 p 同时适用于 B 和 Beta。
正确：Beta 大只说明在当前模型、当前样本中影响相对更强，不等于理论上该变量必须纳入模型。模型选择还应考虑理论意义、共线性、样本代表性等因素。
正确：多元回归中 Beta 超出 ±1 是可能的，是多重共线性导致的系数膨胀，不是运算错误。需检查 VIF，VIF > 10 时才需重点处理。
正确：Beta 为负只说明影响方向是"反向"的（如"社会支持越高，倦怠越低"），对因变量依然有实质性贡献。比较重要性时取绝对值，负号只反映方向。
正确：Beta 是相对系数，其大小依赖于本模型内其他变量的构成和样本特征。跨研究（不同模型、不同样本）的 Beta 不可直接比较，跨研究比较建议使用元分析方法。
标准论文回归系数表通常包含以下列（按 APA 7th 版格式）：
表格底部需注明：模型整体 F 值、自由度、p 值、R² 和调整 R²。
多元线性回归结果（见表 3）显示，以工作压力、社会支持、薪酬满意度为自变量，职业倦怠为因变量，模型整体显著，F(3, 146) = 18.34，p < 0.001，调整 R² = 0.262，表明三个自变量共同解释职业倦怠 26.2% 的变异。从各自变量的独立影响来看，工作压力（B = 0.52，β = 0.45，p < 0.001）、社会支持（B = -0.31，β = -0.28，p < 0.001）和薪酬满意度（B = 0.19，β = 0.19，p = 0.002）均对职业倦怠有显著预测作用；以标准化系数绝对值衡量，工作压力的相对影响力最大（|β| = 0.45），其次为社会支持（|β| = 0.28）。
Q：标准化系数 Beta（β）是什么意思？
Beta 是将自变量和因变量都转换为标准分后得到的回归系数，含义是：该自变量每增加 1 个标准差，因变量预计变化 Beta 个标准差（其他变量不变）。Beta 消除了原始单位差异，可用于在同一模型内比较不同自变量的相对影响力。
Q：非标准化系数 B 和标准化系数 Beta 有什么区别？
B 保留原始量纲，用于解释实际含义和预测；Beta 消除量纲，用于比较自变量重要性。两者的 t 值和 p 值完全相同，只是系数的"单位"不同。论文中通常两列都报告。
Q：怎么用 Beta 判断哪个自变量更重要？
在同一回归模型中，Beta 绝对值越大的自变量对因变量的相对影响越强。比较时取绝对值，忽略正负号（正负只表示方向）。注意：Beta 大不等于 p 值小，还需结合 t 检验结果判断显著性；且这种比较只在同一模型内有效。
Q：Beta 系数的取值范围是多少？超过 1 正常吗？
简单回归（1 个自变量）时 Beta 在 -1 到 1 之间，等于相关系数。多元回归中 Beta 可以超出此范围，这是由多重共线性引起的系数膨胀，不是计算错误，但需要检查 VIF 是否过大（VIF > 10 时需处理共线性）。
Q：Beta 显著（p < 0.05）说明什么？
Beta 的显著性与 B 完全一致（同一组 t 值和 p 值），说明该自变量在控制其他变量后对因变量有独立的显著影响。不显著（p ≥ 0.05）说明该变量在当前模型中独立解释力不足。
Q：论文中 Beta 怎么写？格式是什么？
APA 格式正文中写法示例：工作压力（β = 0.45，p < 0.001）显著正向预测职业倦怠。表格中单独列一列 β（标准化系数），与 B、SE、t、p、VIF 并列报告。表格底部附模型整体 F 值、R² 和调整 R²。
Q：用 chatspss 怎么一句话得到 Beta 系数结果？
在 chatspss 输入："以工作压力、社会支持、薪酬满意度为自变量，职业倦怠为因变量做多元线性回归，输出非标准化系数 B、标准化系数 Beta、t 值、p 值和 VIF，生成三线表，并按 Beta 绝对值说明各变量的相对重要性。" chatspss 会自动完成全部计算并给出重要性排序说明。
上传数据，一句话告诉 chatspss 要做回归分析，B、Beta、t 值、p 值、VIF、三线表全自动生成。
免费使用 chatspss无需安装 · 全程中文 · 自动生成论文三线表