spss预测变量重要性不可用_多元回归中预测变量的重要性：部分与标准化系数...

例如，关于线性回归系数和偏相关之间的差异，您可以阅读此内容。

但是，问题中表达的困惑似乎是另一种性质。它似乎是此统计软件包或该统计软件包使用的默认平方和类型(主题，在我们的网站上多次讨论)。线性回归使用ANOVA Type III SS估算中的所谓方法。在许多ANOVA程序中，这也是默认选项。在Rfunction中anova，对我来说(我不是R用户，所以我想)是默认计算方式为Type I SS(“顺序SS”，取决于模型中预测变量的指定顺序)。因此，您观察到的差异以及在对变量进行标准化(“缩放”)时并未消失的差异是因为您使用默认的Type I选项指定了ANOVA。

以下是在SPSS中获得的结果以及您的数据：

您可以在这些打印输出中选择，无论SS计算类型如何，参数(回归系数)都相同。您可能还会注意到，部分Eta平方[在本例中为SSeffect /(SSeffect + SSerror)和=部分R平方，因为预测变量是数字协变量]仅在类型为SS的情况下，效应表和系数表完全相同是III。当SS类型为I时，只有三个预测变量“ urban”中的最后一个保留相同的值(.169)；这是因为在预测变量的输入顺序中它是最后一个。对于III型SS，输入的顺序无关紧要，就像回归一样。顺便说一下，p值也可以观察到差异。虽然您在我的表格中看不到它，因为“签名”列中只有3个十进制数字，

您可能想了解有关ANOVA /线性模型中不同“ SS类型”的更多信息。从概念上讲，SS的III型或“回归”型是基本的和原始的。其他类型的SS(I，II，IV，甚至更多)是一种特殊的设备，可以更全面地估计效果，比相关参数的情况下回归参数所允许的浪费少。

通常，效果大小及其p值的报告比参数及其p值更重要，除非研究的目的是为未来创建模型。参数是允许您进行预测的参数，但是“影响”或“效果”可能比“线性预测的强度”更宽泛。为了报告影响力或重要性，除了部分Eta平方以外，其他系数也是可能的。一个就是遗忘系数：预测因子的重要性是将预测因子从模型中删除后的残差平方和，并进行归一化，以使所有预测因子的重要性值之和为1。