我认为@whuber 的评论中提出了更重要的一点。您的整个方法是错误的，因为通过取对数，您实际上是在将 2010 年或 2011 年缺失天数为零的任何学生从数据集中剔除。听起来这些人已经足够多，我相信您的结果会根据您采用的方法是错误的。

相反，您需要使用泊松响应拟合广义线性模型。除非您为相应的模块付费，否则 SPSS 无法做到这一点，因此我建议升级到 R。

您仍然会遇到解释系数的问题，但这对于拥有一个基本合适的模型的重要性来说是次要的。

我同意其他受访者的观点，尤其是在模型形式方面。但是，如果我理解您提出问题的动机，那么您是在面向普通观众并希望传达实质性内容（理论）你分析的意义。为此，我比较了各种“情景”下的预测值（例如预计错过的天数）。根据您选择的模型，您可以在预测变量处于某些特定固定值（例如，它们的中位数或零）时比较因变量的预期数量或值，然后显示预测变量的“有意义”变化影响预测。当然，您必须将数据转换回最初的、可理解的规模。我之所以说“有意义的变化”，是因为标准的“X 中的一个单位变化”通常并不能传达自变量的真正导入或缺失。对于“出勤数据”，我不确定这样的变化会是什么。（如果一个学生在 2010 年没有错过任何一天，而在 2011 年又错过了一天，我不确定我们会学到什么。但我不知道。）

如果我们有模型，那么我们可能期望增加 1 个单位会导致 Y 增加 a 个单位。相反，如果我们有，那么我们预计会增加 1%在 Y中产生单位增量。$Y = bX$$X$$Y = b \log(X)$$X$$b\log(1.01)$

编辑：哎呀，没有意识到你的因变量也被对数转换了。这是一个链接，其中包含一个描述所有三种情况的好示例：

1) 仅转换 Y 2) 仅转换预测变量 3) 转换 Y 和预测变量

http://www.ats.ucla.edu/stat/mult_pkg/faq/general/log_transformed_regression.htm

我经常使用对数变换，但我倾向于使用二进制协变量，因为它会导致乘数方面的自然解释。假设您想预测，例如 3 个二进制协变量、和取中的值。现在，而不是呈现：$Y$$X_1$$X_2$$X_3$$\{0,1\}$

$log(Y) \approxeq log(C) + X_1W_1 + X_2W_2$ ,

你可以简单地展示：

$Y \approxeq C \ M_1^{X_1}\ M_2^{X_2}\ M_3^{X_3}$，

其中：、和是乘数。也就是说，每次协变量等于 1 时，预测值就乘以。例如，如果、和，您的预测是：$M_1=e^{W_1}$$M_2=e^{W_2}$$M_3=e^{W_3}$$X_i$$M_i$$X_1=0$$X_2=1$$X_3=1$

$Y \approxeq C \ M_2\ M_3$。

我使用因为这不完全是平均值的预测：对数正态分布的平均参数通常不是随机变量的平均值（因为它是没有经典线性回归的情况对数变换）。我在这里没有准确的参考，但我认为这是直截了当的推理。$\approxeq$$Y$