数据分析-建立回归模型的流程

一、明确需求（因变量y）

二、数据清洗

1. 缺失值处理
2. 异常值处理：一般大于3倍标准差的值视为异常值
3. 分类变量的处理：将分类变量改为多列进行处理

• 备注：异常值一般不要直接处理，了解一下是什么情况再行处理，有必要的单独拎出来

三、相关分析

• 每个自变量x都和y跑一下相关系数，画个散点图，肉眼判断一下相关性，初步筛选适合放到模型里的自变量

四、分割测试集和训练集

• 一般为三七分或者是二八分

五、针对训练集跑回归模型并检验

• 初步筛选的变量都放到模型里面跑

1. F检验：所有回归系数是否为0
2. T检验：每一个回归系数是否为0
3. R²：一元回归直接看R²，多元回归看调整后的R²

六、模型调优

• 对于线性回归模型，只要是满足高斯马尔科夫假设，就是理论上最优无偏的模型，对着这个假设依次调整

1. 残差为正态分布：-检验数据是否为正态分布有两个方法（sw：主要用于样本数小于5000的检验，ks：主要用于大于5000的样本数；两个检验的原假设H0：数据集为正态分布）；若残差不是正态分布：最简单有效的办法就是对因变量y取自然对数
2. 残差是否为同方差：-BP检验、WHite检验（精确度更高，但会用掉大量的自由度，样本量足够大的时候使用，否则用BP检验）；原假设都是：残差是同方差；若出现异方差也可使用对因变量Y取自然对数的方法，若效果不好还可以用加权最小二乘法（给β系数加一个权重，优点是无论多强的异方差都能消除，缺点是权重有时候算不出来）
3. 不可以出现内生性（所谓内生性就是自变量x和残差存在线性相关）：-商业领域出现内生性涉及的范围太广，一般忽略，若是一些比较精确的case则需要考虑内生性的问题
4. 自变量x之间不能有共线性：方差膨胀因子VIF，若VIF普遍偏高又不是很高（三五左右）则需要考虑影响，使用主成份分析（奇异值分解，缺点是会改变变量的原始属性），保留原始属性使用岭回归或者lasso回归（最小二乘法的变种，优点是适用范围较广，缺点是用了这个算法预测模型一定有偏，但影响不大的情况下可以放心使用）
5. 残差是否有序列相关性（如时间序列）：可以用高弗雷检验（比dw检验更新更好）

七、模型精修

1. 添加交互项：改变斜率，如年龄*收入
2. 高次项：曲线相关
3. 添加时间、季节趋势等相关系数

八、逐步回归（这一步由计算机完成）

1. 计算出后判断哪些变量最适合往模型里放
2. 交叉验证（所谓交叉验证举个例子：比如100个数据集，第一次随机抽取10个，剩下90个跑回归模型，再由10个测试回归模型，然后将10个数据放回，再如此循环，对比后保留预测能力最好的模型）

九、模型测试

• 用测试集数据测试模型