线性回归分析思路总结.docxVIP

线性回归分析是一种研究影响关系的方法，在实际研究里非常常见。不管你有没有系 统学习过，对于线性回归，相信多少都有那么一点了解。 即使如此，在实际分析时，还是会碰到很多小细节，让我们苦思冥想，困扰很久，以 致拖慢进度，影响效率。 因此本文就一起梳理下回归分析的分析流程，闲话少说，我们开始吧。 回归分析实质上就是研究一个或多个自变量X对一个因变量Y （定量数据）的影响关系 情况。 当自变量为1个时，是一元线性回归，又称作简单线性回归；自变量为2个及以上时， 称为多元线性回归。在SPSSAU里均是使用【通用方法】里的【线性回归】实现分析的。 □通用方法 SPSSAU -线性回归 数据类型 线性回归要求因变量Y （被解释变量）一定是定量数据。如果因变量Y为定类数据，可 以用【进阶方法】中的【logit回归】。 有序Lciq t I偏相关双因素方差 有序Lciq t I 偏相关 双因素方差 变量筛选 对于引入模型的自变量，通常没有个数要求。但从经验上看，不要一次性放入太多自 变量。如果同时自变量太多，容易引起共线性问题。建议根据专业知识进行选择，同 时样本量不能过少，通常要满足样本个数是自变量的20倍以上。 如果自变量为定类数据，需要对变量进行哑变量处理，可以在SPSSAU的【数据处理】 一【生成变量】进行设置。具体设置步骤查看SPSSAU有关哑变量的文章：什么是虚拟 变量？怎么设置才正确？ 控制变量，可以是定量数据，也可以是定类数据。一般来说更多是定类数据，如：性 别，年龄，工作年限等人口统计学变量。通常情况下，不需要处理，可以直接和自变 量一起放入X分析框分析即可。 正态性检验 理论上，回归分析的因变量要求需服从正态分布，SPSSAU提供多种检验正态性的方法。 S可视化 V 可视化-直方图 口通用方法 v 0可视化 V 敏点图］ 直方图 描述 危 取斥方） 谴线图 词云 「葬美 统性回归 误差巍图 T蜂 R*曲线 象眼圈 配町哈验 帕期托图 箴状图 非?散聘蛤 通用方法-正态性检验 可视化-P-P/Q-Q图 如果出现数据不正态，可以进行对数处理。若数据为问卷数据，建议可跳过正态性检 验这一步。原因在于问卷数据属于等级数据，很难保证正态性，且数据本身变化幅度 就不大，即使对数处理效果也不明显。 散点图和相关分析 一般来说，回归分析之前需要做相关分析，原因在于相关分析可以先了解是否有关系， 回归分析是研究有没有影响关系，有相关关系但并不一定有回归影响关系。当然回归 分析之前也可以使用散点图查看数据关系。 SPSSAU 操作 案例：在线英语学习购买因素研究 ①操作步骤 将性别、年龄、月收入水平、产品、促销、渠道、价格、个性化服务、隐私保护共九 个变量作为自变量，而将购买意愿作为因变量进行线性回归分析。 勾选“保存残差和预测值”。 ②指标说明 线性回归弁析结果 非桁港化.系融 B 标淮匣 帙准化Jfi牧 跚槌 * VIF R1 调酬 F 常蜘 1.239 0.179 6.91 a 0.367 29并二卷.驰LP二。炳小 产品 0.176 0.214 3.542 0.00。 1.729 Q.115 Q.1知 通9 。.四甲、 1,254 0.043 □.113 1M1 0.054 11 情榕 0.028 0.044 0.637 0.525 1.4B3- 个性化.用苛 0.1S6 0222 3.712 o.cflo ■- L84 o.oai 。物 D.TI4 2C691 0.039 L44Q 因登■:购买意愿 * pcD.05 ■ * pcO.Ol 非标准化系数（B）:非标准化回归系数。回归模型方程中使用的是非标准化系数。 标准化系数（Beta）:标准化回归系数。一般可用于比较自变量对Y的影响程度。 Beta值越大说明该变量对Y的影响越大 t值：t检验的过程值，回归分析中涉及两种检验（t检验和F检验），t检验分别 检验每一个X对Y的影响关系，通过t检验说明这个X对Y有显著的影响关系；F检验 用于检验模型整体的影响关系，通过F检验，则说明模型中至少有一个X对Y有显著 的影响关系。此处的t值，为t检验的过程值，用于计算P值。一般无需关注。 p值：t检验所得p值。P值小于0.05即说明，其所对应的X对因变量存在显著性 影响关系。 VIF值：共线性指标。大于5说明存在共线性问题。 R :决定系数，模型拟合指标。反应丫的波动有多少比例能被X的波动描述。 调整R :调整后的决定系数，也是模型拟合指标。当x个数较多是调整既匕R更 为准确。 F检验：通过F检验，说明模型中至少有一个X对Y有显著的影响关系。分析时主 要关注后面的？值即可。 D-W值：D-W检验值，Durbin-Watson检验，是自相关性的一项检验方法。如果D-W 值在2附近（1.7~