回归——分层回归

1、作用

分层回归(层次回归)本质上是建立在回归分析基础上,区别在于分层回归可分为多层,用于研究两个或者多个回归模型之间的差异。分层回归将核心研究的变量放在最后一步进入模型,以考察在排除了其他变量的贡献的情况下,该变量对回归方程的贡献。如果变量仍然有明显的贡献,那么就可以做出该变量确实具有其他变量所不能替代的独特作用的结论。这种方法主要用于,当自变量之间有较高的相关,其中一个自变量的独特贡献难以确定的情况。例如,在研究学习疲倦感中,将性别、年龄、学历等(控制变量)放置在第一层,第二层放置工作压力(核心研究变量)。常用于中介作用或者调节作用研究。

​2、输入输出描述

输入:多层次的线性回归数据
输出:上一个层次与下一个层次的拟合变化情况,用于分析多加入的变量对自变量(Y)的影响程度。

3、案例示例

某高校随机抽取600名大学生,调查其身高、体重、胸围、体育成绩和肺呼量(Y)数据,控制身高、体重、体育成绩,分析胸围对肺呼量的影响程度。

4、建模步骤

 分层回归其实是对两个或多个回归模型进行比较。我们可以根据两个模型所解释的变异量的差异来比较所建立的两个模型。一个模型解释了越多的变异,则它对数据的拟合就越好。分层回归相对来说建模更具备专业意义的指导,通常将专业认为重要的变量放在最后一层,以确定在控制其他变量之后,该自变量的意义大小。我们运行分层回归的主要目的是分析是否有必要增加新的自变量,而不是进行预测,回归系数不是我们主要关注的结果。

  • 6
    点赞
  • 26
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
三层分层回归模型是一种层级结构的建模方法,其中每个层级都包含一个回归模型。下面介绍如何在R语言中构建三层分层回归模型。 1. 数据准备 首先需要准备数据,数据应该包含三个层级的变量。例如,假设我们有以下数据: ``` library(tidyverse) data <- tibble( group1 = rep(1:2, each = 25), group2 = rep(1:5, each = 10), x = rnorm(50), y = rnorm(50, mean = 2*x), z = rnorm(50, mean = 3*y) ) ``` 其中,group1和group2是两个层级变量,x是第一层级的自变量,y是第二层级的自变量,z是第三层级的因变量。 2. 第一层回归 使用lm函数拟合第一层级的回归模型,将自变量x和层级变量group1作为解释变量,得到第一层级的预测值: ``` fit1 <- lm(x ~ group1, data = data) data$y_hat1 <- predict(fit1) ``` 3. 第二层回归 使用lm函数拟合第二层级的回归模型,将自变量y_hat1和层级变量group2作为解释变量,得到第二层级的预测值: ``` fit2 <- lm(y_hat1 ~ group2, data = data) data$y_hat2 <- predict(fit2) ``` 4. 第三层回归 使用lm函数拟合第三层级的回归模型,将自变量y_hat2和因变量z作为解释变量,得到第三层级的预测值: ``` fit3 <- lm(z ~ y_hat2, data = data) data$z_hat <- predict(fit3) ``` 5. 模型评估 最后可以评估模型的拟合效果,例如计算模型的R-squared值: ``` summary(fit3)$r.squared ``` 以上就是在R语言中构建三层分层回归模型的方法。需要注意的是,在实际应用中,可能需要更复杂的层级结构和更多的解释变量。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值