python多变量相关性分析_两个变量与因变量相关性分析_spss多变量相关性分析

两个变量与因变量相关性分析

提问：用SPSS一个分析,有一个因变量和N个自变量,先做相关性发现有很多自变量与因变量有关,相关性也比较高.

继续说,但是再做多重回归方程的时候只有3个因变量入选,其他都被排除了,那在写文章的时候那些被排除了的有相关性的因变量该怎么处理呢?

这说明这些变量之间存在自相关,模型选择的是代表程度更高且自变量相互之间相关性低的自变量来,以保证自变量变化时,只影响因变量,而不影响其它模型中的自变量.

建议你对这些自变量做两两之间的相关性检验,以说明他们不适合同时存在于模型中.

追问：这个是所谓的共线性的问题么？那我做自变量两两之间的相关性检验，什么样的结果才能显示他们不适合同时出现在模型中呢？

追答：你进行自变量之间的相关性检验，结果就会出来他们之间的相关性很高。 至于具体到模型中，得看具体的情况了，我也没有经验值。但是建模的时候一定要选择合适的变量进入方式。

最佳答案：

1.多重共线性的概念：

所谓多重共线性(Multicollinearity)是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。一般来说，由于经济数据的限制使得模型设计不当，导致设计矩阵中解释变量间存在普遍的相关关系。

完全共线性的情况并不多见，一般出现的是在一定程度上的共线性，即近似共线性。

2.多重共线性产生的原因 　　主要有3各方面： 　　(1)经济变量相关的共同趋势 　　(2)滞后变量的引入 　　(3)样本资料的限制 3多重共线性的解决方法

多重共线性的处理方法一般有如下的几种

1 增加样本容量,当线性重合是由于测量误差引起的以及他仅是偶然存在于原始样本,而不存在于总体时,通过增加样本容量可以减少或是避免线