回归分析常数项t值没有显著异于零怎么办_线性回归分析思路总结!简单易懂又全面!...

03a37a9babce767b4afba1b81abd207c.png

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,又影响效率。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。

b96e6a6ddfdaebc4630c9382f45eb3e3.png
线性回归分析流程

线性回归

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里均可以使用【通用方法】→【线性回归】实现。

50254a3878224e5f4813702d701021fa.png
SPSSAU-线性回归

1. 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】。

80ae480dbe24ec4ebb0f82706d01d974.png

2. 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】→【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。

3. 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。

9e2a741c432171d15c96f8b4e0ce5661.png

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。

4. 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。相关分析的操作步骤可以看这里:SPSSAU:全流程总结相关分析

5. 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。

149bff482996fd26d9cba9dc65691d54.png

②指标说明

386332d252b0b18568b9a0d8524bde5d.png

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。

:决定系数,模型拟合指标。反应Y的波动有多少比例能被X的波动描述。

调整R²: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R²比R²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P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(1.7~2.3之间),则说明没有自相关性,模型构建良好。

③结果分析

分析时可按照“分析建议”给出的步骤进行。

956aabd1880bfa92c385e3ade776441f.png
SPSSAU分析建议

35173ab591758cb1f7deba037f7e068b.png

08b822c277c294b94d3a9df9a6b46b18.png
SPSSAU-智能分析
  • 模型公式显示在智能分析中,可直接使用。

6. 模型后检验

到这里很多人认为已经分析完了,可以得出结果,实际上还远远没结束。回归模型有很多限制条件,上述步骤里我们只是构建了模型,至于模型质量如何,模型是否满足线性回归的前提条件,都需要在这一步进行确认。

通常需要对线性回归模型检验以下几个方面:

e0102f503a10fcf7d5d483d9d7087d8f.png

多重共线性

在进行线性回归分析时,容易出现自变量之间彼此相关的现象,我们称这种现象为多重共线性。

当出现严重共线性问题时,会导致分析结果不稳定,甚至出现回归系数的符号与实际情况完全相反的情况,因而需要及时进行处理。

①诊断指标

检验多重共线性,可查看分析结果中的VIF值

d41f8952d848b91f43f2941daff638c6.png

VIF>5说明存在共线性问题,VIF>10说明存在严重的多重共线性问题,模型构建较差,需要进行处理。

②处理方法

547f844227b25bb5b3da3e4bdb66597a.png

(1)增加分析的样本量,是解释共线性问题的一种办法,但在实际操作中较难实现。

(2)对自变量进行相关分析,找出相关系数高的变量,手工移出后再做线性回归分析。

(3)采用逐步回归法,让系统自动筛选出最优分析项,剔除引起多重共线性的变量。

(4)如果不想涉及核心自变量,不希望剔除,可使用SPSSAU的岭回归分析。

残差独立性(自相关)

①诊断指标

残差独立性是线性回归方程的基本前提之一。D-W值可用于判断自相关性,判断标准是2附近即可(1.8~2.2之间),如果达标说明没有自相关性,即样本之间并没有干扰关系。

bf73f90d41757b375f1b4fef6a18f3a5.png

②处理方法

问卷数据基本不会出现自相关问题,如有自相关问题时建议查看因变量Y的数据。

残差正态性

①诊断指标

残差正态性也是线性回归方程的基本前提之一。在分析时可保存残差项,然后使用“正态图”直观检测残差正态性情况。

5f9868facd1372da457b945eea113596.png

bb676817890cf68837e34c9a62a2dfd3.png
  • regressionXXXX_residual代表残差值
  • regressionXXXX_prediction 代表预测值

76dd6cb68af1316769fbcaf0907ed9d2.png

②处理方法

如果残差直观上满足正态性,说明模型构建较好,反之说明模型构建较差。如果残差正态性非常糟糕,建议重新构建模型,比如对Y取对数后再次构建模型等。

残差方差齐性

①检验方法

方差齐性可以通过散点图来考察,在分析时可保存残差项,以模型自变量X或因变量Y为横坐标,残差值为纵坐标,作散点图。

677b9c46b3af88f2e718cc57dd5dc208.png

如果随着预测值的增加,残差值保持相同的离散程度,则说明方差齐。

如果残差值随着预测值的增加而变宽或变窄,则说明有异方差问题。

②异方差的处理方法

处理异方差问题有三种办法,分别是数据处理、稳健标准误回归、FGLS回归(可行广义最小二乘法回归)。

问卷研究里很少出现异方差问题,如果遇到异方差问题建议查看SPSSAU对应帮助手册。

异常值

除此之外,如果回归分析出现各类异常,可能存在异常值应该回归模型。在散点图里可观察到是否有异常值存在。

总结

以上就是线性回归分析的分析流程梳理,但在实际研究过程中,理论与实际操作会有较大“距离”,具体还需要结合实际研究考察。

更多内容登录SPSSAU官网查看:

SPSSAU:从问卷设计到数据分析,近百篇教程合集真是太太太全面了!

SPSSAU:T检验分析思路完整总结,让你条理清晰完成分析

SPSSAU:全流程总结卡方检验,帮你理清分析思路

SPSSAU:全流程总结相关分析

SPSSAU-在线SPSS分析软件​www.spssau.com?100001000
4255963bf52e6fe4a84fa8fb21dbc828.png

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/473054.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

LeetCode 1733. 需要教语言的最少人数(哈希+枚举)

文章目录1. 题目2. 解题1. 题目 在一个由 m 个用户组成的社交网络里,我们获取到一些用户之间的好友关系。 两个用户之间可以相互沟通的条件是他们都掌握同一门语言。 给你一个整数 n ,数组 languages 和数组 friendships ,它们的含义如下&a…

java 3种单例模式

1.饿汉式 1 package singleInstance;2 /**饿汉式,类加载时候创建实例,浪费资源,线程是安全的*/3 public class SingleDome01 {4 //私有构造方法,防止直接new对象5 private SingleDome01() {6 }7 //类加载的时候&a…

在c#中用mutex类实现线程的互斥_面试官经常问的synchronized实现原理和锁升级过程,你真的了解吗...

本篇文章主要从字节码和JVM底层来分析synchronized实现原理和锁升级过程,其中涉及到了简单认识字节码、对象内部结构以及ObjectMonitor等知识点。阅读本文之前,如果大家对synchronized关键字的基本使用还不是很了解的话,推荐阅读笔者之前的一…

TensorFlow 2.x GPU版在conda虚拟环境下安装步骤

先下载安装驱动:https://www.nvidia.cn/Download/index.aspx?langcn,版本要求 WSL cuda 驱动 https://developer.nvidia.com/cuda/wsl 下载安装 anaconda,管理虚拟环境:https://www.anaconda.com/products/individual&#xff0…

如何通过网络将文件传输到嵌入式设备_嵌入式系统 Boot Loader技术内幕,带你完全了解Boot Loader...

一个嵌入式 Linux 系统从软件的角度看通常可以分为四个层次:1. 引导加载程序。包括固化在固件(firmware)中的 boot 代码(可选),和 Boot Loader 两大部分。2. Linux 内核。特定于嵌入式板子的定制内核以及内核的启动参数。3. 文件系统。包括根文件系统和建…

TensorFlow 2.0 - CNN / 预训练 / RNN

文章目录1. CNN 卷积神经网络2. 预训练模型3. RNN 循环神经网络学习于:简单粗暴 TensorFlow 2 1. CNN 卷积神经网络 卷积神经网络,卷积后尺寸计算 tf.keras.layers.Conv2D, tf.keras.layers.MaxPool2D # CNN 模型 class myCNN(tf.keras.M…

openwrt mt7620 内存大小检测

单独编译内核: make Vs target/linux/install 相调函数调用流程: init/main.c : start_kernel() -> setup_arch(&command_line) arch/mips/kernel/setup.c: setup_arch()-> cpu_probe()-> prom_init()-> arch_mem_init() -> plat_mem_setup() -&…

python获取当前路径的方法_Python获取脚本所在目录的正确方法【转】

原博文 2015-09-24 10:21 − 1.以前的方法如果是要获得程序运行的当前目录所在位置,那么可以使用os模块的os.getcwd()函数。如果是要获得当前执行的脚本的所在目录位置,那么需要使用sys模块的sys.path[0]变量或者sys.argv[0]来获得。实际上sys.path是Pyt…

JAVA NIO 简介(转)

1. 基本 概念IO 是主存和外部设备 ( 硬盘、终端和网络等 ) 拷贝数据的过程。 IO 是操作系统的底层功能实现,底层通过 I/O 指令进行完成。 所有语言运行时系统提供执行 I/O 较高级别的工具。 (c 的 printf scanf,java 的面向对象封装 ) 2. Java 标准 io 回顾Jav…

TensorFlow 2.0 - Keras Pipeline、自定义Layer、Loss、Metric

文章目录1. Keras Sequential / Functional API2. 自定义 layer3. 自定义 loss4. 自定义 评估方法学习于:简单粗暴 TensorFlow 2 1. Keras Sequential / Functional API tf.keras.models.Sequential([layers...]),但是它不能表示更复杂的模型 mymodel…

python去重复元素_Python实现去除列表中重复元素的方法总结【7种方法】

这里首先给出来我很早之前写的一篇博客,Python实现去除列表中重复元素的方法小结【4种方法】,感兴趣的话可以去看看,今天是在实践过程中又积累了一些方法,这里一并总结放在这里。 由于内容很简单,就不再过多说明了&…

oracle取差值集合

Oracle Minus关键字 SQL中的MINUS关键字 SQL中有一个MINUS关键字,它运用在两个SQL语句上,它先找出第一条SQL语句所产生的结果,然后看这些结果有没有在第二个SQL语句的结果中。如果有的话,那这一笔记录就被去除,而不会…

TensorFlow 2.0 - Checkpoint 保存变量、TensorBoard 训练可视化

文章目录1. Checkpoint 保存变量2. TensorBoard 训练过程可视化学习于:简单粗暴 TensorFlow 2 1. Checkpoint 保存变量 tf.train.Checkpoint 可以保存 tf.keras.optimizer 、 tf.Variable 、 tf.keras.Layer 、 tf.keras.Model path "./checkp.ckpt" …

coturn的负载均衡特性_高性能负载均衡

单服务器无论如何优化,无论采用多好的硬件,总会有一个性能天花板,当单服务器的性能无法满足业务需求时,就需要设计高性能集群来提升系统整体的处理性能。高性能集群的本质很简单,通过增加更多的服务器来提升系统整体的…

LintCode MySQL 1928. 网课上课情况分析 I

文章目录1. 题目2. 解题1. 题目 online_class_situation 表展示了一些同学上网课的行为活动。 每行数据记录了一名同学在退出网课之前,当天使用同一台设备登录课程后听过的课程数目(可能是0个)。 写一条 SQL 语句,查询每位同学第…

poj1284:欧拉函数+原根

何为原根?由费马小定理可知 如果a于p互质 则有a^(p-1)≡1(mod p)对于任意的a是不是一定要到p-1次幂才会出现上述情况呢?显然不是,当第一次出现a^k≡1(mod p)时, 记为ep(a)k 当k(p-1)时,称a是p的…

python输入十个数输出最大值_python输入十个数如何输出最大值

python输入十个数输出最大值的方法:1、如果是整数的话,使用函数【a, b, c map(int, input().split())】;2、使用函数【Xinput().split()】。 相关免费学习推荐:python视频教程 python输入十个数输出最大值的方法: 第一…

SQL Server 2005远程连接连不上的解决办法收藏 Microsoft给的方法

SQL Server 2005远程连接连不上的解决办法收藏 Microsoft给的方法http://support.microsoft.com/kb/914277 是可以的,但我怕以后还会遇到这问题,干脆我也写到blog中来. 我的情况是别人怎么连也连不上我本地的DB,我装了2005的sp2也不行,后来发现关了防火墙就可以了,但我总不能什…

LintCode MySQL 1921. 从不充值的玩家(where not in)

文章目录1. 题目2. 解题1. 题目 描述 A game database contains two tables, player table and recharge table. Write a SQL query to find all players who never recharge. 样例 https://www.lintcode.com/problem/players-who-never-recharge/description 2. 解题 -- …

古风一棵桃花树简笔画_广东有个现实版的“桃花源”,藏于秘境之中,最适合情侣来度假!...

上学时,初闻“芳草鲜美,落英缤纷”,并没有多大感触。直到后来长大离家,每每为生活奔波劳累时,为工作琐碎忧心费神时,才骤然明了当年五柳先生所描绘的“桃花源”该是多少人的脑中所想、心中所向……原以为这…