Lasso回归分析结果解读：变量筛选与正则化方法.docxVIP

套索回归（Lasso回归）结果解读

一、方法概述

套索回归（LassoRegression，LeastAbsoluteShrinkageandSelectionOperator）是一种基于L1正则化的回归分析方法，由Tibshirani于1996年提出。Lasso回归的核心思想是在普通最小二乘回归的损失函数基础上增加一个L1惩罚项（即回归系数绝对值之和的λ倍），通过调节惩罚参数λ（K值）来控制模型的复杂度。当λ足够大时，部分不重要的自变量的回归系数将被压缩为零，从而实现变量选择和模型简化的双重目的。

Lasso回归特别适用于以下情形：一是自变量之间存在多重共线性问题；二是自变量数目较多，需要进行变量筛选；三是需要在模型拟合优度与简洁性之间取得平衡。相较于Ridge回归（L2正则化），Lasso回归能够将部分系数压缩为精确的零值，具有更好的可解释性。本研究借助SPSSAU软件，以x1、x3、x6作为自变量（经Lasso变量筛选后保留），y作为因变量进行套索回归分析，样本量为260个。

在SPSSAU【进阶方法】模块选择【lasso回归】，将变量拖拽至右侧对应分析框，操作如下图：

二、模型汇总分析

由表1可知，Lasso回归模型的R2值为0.870，调整R2值为0.869，表明自变量x1、x3和x6能够解释因变量y高达87.0%的变异，模型拟合效果良好。R2与调整R2之间的