用得到的print值做因变量，用原始数据做自变量。然后线性回归，所得到的回归系数就是线性组合的系数，然后做的回归相当于一个线性方程组，然后就可以还原成主成分回归方程了。
Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。
还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。
扩展资料：
数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
意义：数据中心化和标准化在回归分析中是取消由于量纲不同、自身变异或者数值相差较大所引起的误差。
原理：数据标准化：是指数值减去均值，再除以标准差；
数据中心化：是指变量减去它的均值。
目的：通过中心化和标准化处理，得到均值为0，标准差为1的服从标准正态分布的数据。
参考资料来源：百度百科 ——SPSS回归分析
在SPSS中进行Logistic回归分析通常遵循以下步骤：
数据准备：确保所有变量都已正确输入到SPSS中，并且数据是清洁和准确的。因变量需要是二元的，即只有两种可能的结果，例如“是”和“否”。
选择Logistic回归分析：在SPSS的菜单栏上选择“分析”，然后选择“回归”，再选择“二元Logistic”。
输入变量：在弹出的对话框中，将因变量放入“因变量”框中，将协变量（自变量）放入“协变量”框中。您可以同时输入多个协变量。
运行分析：点击“确定”按钮，SPSS将运行多元Logistic回归分析，并在输出窗口中显示结果。
结果解读：理解SPSS的多元Logistic回归输出结果可能需要一些时间。您需要检查模型拟合信息，包括-2对数似然值（-2 Log Likelihood），这个值越小越好。参数估计部分展示了每个预测变量的回归系数（B），标准误差，Wald统计量和相关的p值。如果p值小于您设定的显著性水平（通常为0.05），则可以认为该预测变量在模型中是显著的。
模型评估：使用Hosmer-Lemeshow拟合优度检验（Hosmer-Lemeshow Goodness of Fit Test）来评价模型是否很好地拟合了数据。如果P值大于0.05，则可以认为模型拟合度良好。
预测：使用回归模型进行预测，您可以在SPSS中保存预测值，并将模型应用于其他数据集中，以进行预测分析。