多元回归分析中，要求所有变量须为等距尺度 (或译区间尺度，interval level of measurement)，或者是“0/1”(自变量)。
如果变量的值仅属名目尺度(nominal)，亦即“1，2，3，4分别代表不同选项意义”这样的变量，是不可以放进去做回归分析的。严格上说，就连“低，中，高”这样的顺序尺度(ordinal)变量也不能回归分析。
以你目前的情况，因变量是连续型的(亦即等距(区间)尺度)，而自变量是“1，2，3，4分别代表不同选项意义”这样的名目尺度变量，则可以把自变量化为虚拟变项(Dummy variables)，亦即“0/1”化，以便进行回归分析。
以你的例子，“1，2，3，4分别代表不同选项意义”这样的自变量，设3个虚拟变项就够。
当选答1，VAR_D1的值定为1，选答其余的(2,3,4)，VAR_D1的值定为0；
当选答2，VAR_D2的值定为1，选答其余的(1,3,4)，VAR_D2的值定为0；
当选答3，VAR_D3的值定为1，选答其余的(1,2,4)，VAR_D3的值定为0。
亦即：
若选答1，VAR_D1=1, VAR_D2=0, VAR_D3=0；
若选答2，VAR_D1=0, VAR_D2=1, VAR_D3=0；
若选答3，VAR_D1=0, VAR_D2=0, VAR_D3=1；
若选答4，VAR_D1=0, VAR_D2=0, VAR_D3=0。
(不要搞出个VAR_D4放进回归方程，不然的话会出现共线性问题)
此外，若因变量未达等距尺度的要求(亦即不是连续型的)，
只属“低，中，高”这样的顺序尺度变量，你有两种处理方法：
(1)假设它是等距的，照样做回归分析；
(2)用对数线性模型的Logit Loglinear Analysis处理 (较严紧的做法)
至於你在书上看到的logistics回归方法，不适合你用啦。它是针对因变量为“0/1”二分的。当然，你也可以把你的资料降级，区分为两组，放进去做logistics回归，但这会丧失了许多资讯，太浪费了。
多元回归分析中，要求所有变量须为等距尺度 (或译区间尺度，interval level of measurement)，或者是“0/1”(自变量)。
如果变量的值仅属名目尺度(nominal)，亦即“1，2，3，4分别代表不同选项意义”这样的变量，是不可以放进去做回归分析的。严格上说，就连“低，中，高”这样的顺序尺度(ordinal)变量也不能回归分析。
以你目前的情况，因变量是连续型的(亦即等距(区间)尺度)，而自变量是“1，2，3，4分别代表不同选项意义”这样的名目尺度变量，则可以把自变量化为虚拟变项(Dummy variables)，亦即“0/1”化，以便进行回归分析。
以你的例子，“1，2，3，4分别代表不同选项意义”这样的自变量，设3个虚拟变项就够。
当选答1，VAR_D1的值定为1，选答其余的(2,3,4)，VAR_D1的值定为0；
当选答2，VAR_D2的值定为1，选答其余的(1,3,4)，VAR_D2的值定为0；
当选答3，VAR_D3的值定为1，选答其余的(1,2,4)，VAR_D3的值定为0。
亦即：
若选答1，VAR_D1=1, VAR_D2=0, VAR_D3=0；
若选答2，VAR_D1=0, VAR_D2=1, VAR_D3=0；
若选答3，VAR_D1=0, VAR_D2=0, VAR_D3=1；
若选答4，VAR_D1=0, VAR_D2=0, VAR_D3=0。
(不要搞出个VAR_D4放进回归方程，不然的话会出现共线性问题)
此外，若因变量未达等距尺度的要求(亦即不是连续型的)，
只属“低，中，高”这样的顺序尺度变量，你有两种处理方法：
(1)假设它是等距的，照样做回归分析；
(2)用对数线性模型的Logit Loglinear Analysis处理 (较严紧的做法)
至於你在书上看到的logistics回归方法，不适合你用啦。它是针对因变量为“0/1”二分的。当然，你也可以把你的资料降级，区分为两组，放进去做logistics回归，但这会丧失了许多资讯，太浪费了。