逐步回归法P值大于0.05的还留在模型怎么办？

线性回归是一种常用的统计分析方法，用于建立自变量和因变量之间的线性关系模型。当知道两个变量间存在相关关系时，我们时常想进一步去探讨是否可以通过其中一个变量的数值定量的去预测另外一个变量的数值。
影响因素研究中可以采用先单后多或逐步回归的方法进行，先单后多平时比较常见，这里主要讲一下逐步回归！

逐步回归法是给构建预测模型用的，不是探讨影响因素用的。它的目的是用最少的因子，成功构建出不差于全变量模型（通过用R^2、-2倍对数似然值或者AIC等指标评价拟合效果），也就是通过软件的方法，筛选出有用的自变量，其拟合效果不差于全部自变量放入模型，而且较少的自变量个数有利于模型的构建（回归模型样本量对自变量个数有限制）。

逐步回归的主要做法有三种：

1、向前选择（Forward）

将变量按照贡献度从大到小排列，依次加入。自变量一旦选入，则永远保存在模型中；不能反映自变量选进模型后的模型本身的变化情况。

2、向后选择（Backward）

与向前选择相反，将自变量按贡献度从小到大，依次剔除。自变量一旦剔除，则不再进入模型；开始把全部自变量引入模型，计算量过大。

3、逐步筛选法/双向（stepwise）

是向前选择和向后选择两种方法的结合，即一边选择，一边剔除。确保每次引入新的变量之前，回归方程中只包含显著性变量，直到既没有显著的解释变量选入回归方程，也没有不显著的解释变量从回归方程中剔除为止，最终得到一个最优的变量集合。