R语言多元线性回归

1、根据业务经验挑选出可能对预测目标变量有影响的指标；

2、将这些指标对目标变量做相关性分析cor()，挑选出相关系数较大的指标进一步分析;

3、检验这些指标与目标变量是否线性关系，一般可以plot()检验，如果非线性，尝试做平方或开方等方法使之变成线性；

3、将相关系数较大的指标全部作为解释变量做多远线性回归lm()，得到拟合模型lm.fit;

4、对模型的做系数和方程的显著性检验summary(lm.fit)会直接列出显著性检验结果，如果无法通过显著性检验，则模型不能直接用于预测，需进一步处理；

5、可以考虑采用逐步回归法，用step(lm.fit)，该函数是以aic值最小化为准则，会逐步剔除掉所有能使方程的aic值减小的解释变量，得到模型lm.fit2；

6、对lm.fit做显著性检验summar(lm.fit2)，如果无法通过显著性检验，则再以残差最小为准则逐个剔除解释变量和做显著性检验。直到方程的系数和方程都通过显著性检验为止。至此，如果还无法得到最优方程，我就不知道怎么处理了。

 

按上述步骤得到最优方程之后，实际上可能会遇到另外一个问题：方程某个解释变量的系数符号与相关系数符号相反，这是矛盾的！为什么会这样，这就是多重共线性问题，如何处理？参加我另外一篇关于多重共线性的文章。

 

以上基本可以完成多远线性回归的建模了。