excel计算二元线性回归_SPSS多元线性回归案例：回归分析方法实战

- 点击上方 “中国统计网” 订阅我吧！-

回归定义

回归分析是一种预测性的建模技术，它研究的是因变量(目标)和自变量(预测器)之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。

使用曲线/线来拟合这些数据点，在这种方式下，从曲线或线到数据点的距离差异最小。

最常用回归方法

1.线性回归(Linear Regression)

线性回归通常是人们在学习预测模型时首选的技术之一。在这种技术中，因变量是连续的，自变量可以是连续的也可以是离散的，回归线的性质是线性的。线性回归使用最佳的拟合直线(也就是回归线)在因变量(Y)和一个或多个自变量(X)之间建立一种关系。

用一个方程式来表示它，即 Y=a+b*X + e，其中a表示截距，b 表示直线的斜率，e 是误差项。这个方程可以根据给定的预测变量(s)来预测目标变量的值。

使用最小二乘法得到一个最佳的拟合线，对于观测数据，它通过最小化每个数据点到线的垂直偏差平方和来计算最佳拟合线。因为在相加时，偏差先平方，所以正值和负值没有抵消。

可以使用R-square指标来评估模型性能。

要点：

• 自变量与因变量之间必须有线性关系

• 多元回归存在多重共线性，自相关性和异方差性

• 线性回归对异常值非常敏感。它会严重影响回归线，最终影响预测值

多重共线性会增加系数估计值的方差，使得在模型轻微变化下，估计非常敏感。结果就是系数估计值不稳定，在多个自变量的情况下，我们可以使用向前选择法，向后剔除法和逐步筛选法来选择最重要的自变量。

2.逻辑回归(Logistic Regression)

逻辑回归是用来计算「事件=Success」和「事件=Failure」的概率。当因变量的类型属于二元(1 / 0，真/假，是/否)变量时，我们就应该使用逻辑回归。这里，Y的值从0到1，它可以用下方程表示。

odds= p/ (1-p) = probability of event occurrence / probability of not event occurrence

ln(odds) = ln(p/(1-p))

logit§ = ln(p/(1-p)) = b0+b1X1+b2X2+b3X3…+bkXk

上述式子中，p表述具有某个特征的概率。

你应该会问这样一个问题：我们为什么要在公式中使用对数log呢?

因为在这里我们使用的是的二项分布(因变量)，我们需要选择一个对于这个分布最佳的连结函数。它就是Logit函数。在上述方程中，通过观测样本的极大似然估计值来选择参数，而不是最小化平方和误差(如在普通回归使用的)。