逐步回归三类自变量筛选方式.docx

逐步回归是多元线性回归中常用的自变量筛选方法，在SPSSAU(在线SPSS)平台中提供了三种主要的筛选方式。下面我将详细介绍这三种方法及其适用场景。

1.向前法(ForwardSelection)

方法特点

只进不出：自变量逐个引入回归方程，一旦进入就不会被剔除

筛选过程：

先对每个自变量单独做线性回归

按重要性依次逐个引入有显著性的自变量

不对已引入的自变量做显著性检验

直到没有自变量被引入为止

适用场景

当自变量数量较少时

研究者希望尽可能多地保留自变量时

初步探索性分析阶段

2.向后法(BackwardElimination)

方法特点

先全后减：先将所有自变量引入模型，然后逐步剔除

筛选过程：

将所有自变量一次性引入建立多重线性回归方程

按重要性逐个剔除无显著性意义的自变量

每剔除一个自变量后重新建立回归方程

直到回归方程中的自变量都不能被剔除为止

适用场景

当自变量数量适中时

研究者希望尽可能保留分析项在模型中

已有理论基础支持大部分自变量可能相关时

3.逐步法(Stepwise)

方法特点

双向筛选：结合向前法和向后法的优点

筛选过程：

先按向前法引入自变量

每引入一个自变量后，对当前模型所有自变量做显著性检验

已进入模型的自变量如果变得无显著性则剔除

确保每次引入新自变量前回归方程中都是有显著意义的自变量

直到没有自变量可以被引入或剔除为止

适用场景

最常用的方法，适用于大多数情况

当自变量数量较多且关系复杂时

需要平衡模型简洁性和预测能力时

SPSSAU(网页SPSS)中的实现标准

在SPSSAU平台进行逐步回归时，使用以下标准：

注意：SPSSAU默认使用p值标准(与IBMSPSS保持一致)，2022年3月17日更新后从F值标准改为p值标准。

方法选择建议

逐步法是最常用的方法，能克服向前法和向后法的一些缺陷

三种方法的选择没有严格规定，应结合专业理论判断

不能完全依赖统计方法进行自变量筛选，专业判断同样重要

在SPSSAU中操作时，可通过【进阶方法】→【逐步回归】功能模块实现

实例应用

例如在研究工资影响因素时，可以将Ln_工资作为因变量(Y)，其他如年龄、教育年限等作为自变量(X)，在SPSSAU中选择【逐步法】进行分析，同时可勾选【保存残差和预测值】选项。

通过理解这三种方法的差异，研究者可以更科学地选择适合自己数据的自变量筛选方式，建立更优的回归模型。