SPSS回歸分析：自動線性模型

一、自動線性模型（分析-回歸-自動線性建模）

1、 目標(biāo)（分析-回歸-自動線性建模-構(gòu)建選項(xiàng)）

2、基本（分析-回歸-自動線性建模-構(gòu)建選項(xiàng)）

自動準(zhǔn)備數(shù)據(jù)。該選項(xiàng)允許在內(nèi)部轉(zhuǎn)換目標(biāo)和預(yù)測變量，以使模型的預(yù)測能力最大化；將保存模型的任何轉(zhuǎn)換并應(yīng)用到新數(shù)據(jù)用于評分。轉(zhuǎn)換字段的原始版本將從模型中排除。默認(rèn)情況下，執(zhí)行以下自動數(shù)據(jù)準(zhǔn)備?！蛉掌谂c時(shí)間處理。每個(gè)日期預(yù)測變量被轉(zhuǎn)換成新的連續(xù)預(yù)測變量，其中包含自參考日期(1970-01-01)以來經(jīng)過的時(shí)間。每個(gè)時(shí)間預(yù)測變量被轉(zhuǎn)換成新的連續(xù)預(yù)測變量，其中包含自參考時(shí)間(00:00:00)以來經(jīng)過的時(shí)間?！蛘{(diào)整測量級別。具有少于5個(gè)不同值的連續(xù)預(yù)測變量將被重新設(shè)計(jì)成有序預(yù)測變量。具有多于10個(gè)不同值的有序預(yù)測變量將被重新設(shè)計(jì)成連續(xù)預(yù)測變量。◎離群值處理。如果連續(xù)預(yù)測變量的值位于截?cái)嘀担ㄆ骄档?個(gè)標(biāo)準(zhǔn)差）之外，則將其設(shè)為截?cái)嘀??！?a href='/map/queshizhi/' style='color:#000;font-size:inherit;'>缺失值處理。名義預(yù)測變量的缺失值被替換為訓(xùn)練分區(qū)的眾數(shù)。有序預(yù)測變量的缺失值被替換為訓(xùn)練分區(qū)的中位數(shù)。連續(xù)預(yù)測變量的缺失值被替換為訓(xùn)練分區(qū)的平均值?！蚴鼙O(jiān)督的合并。這將減少與目標(biāo)關(guān)聯(lián)的需處理的字段數(shù)，得到更簡約的模型。通過輸入與目標(biāo)間的關(guān)系可以確定類似的類別。無顯著差異（即p值大于0.1）的類別則被合并。如果所有類別合并為一個(gè)類別，則字段的原始和派生版本將從模型中排除，因?yàn)樗鼈儧]有作為預(yù)測變量的值。

3、模型選擇（分析-回歸-自動線性建模-構(gòu)建選項(xiàng)）

1）模型選擇方法。選擇一種模型選擇方法（下面將詳細(xì)介紹）或無，后者簡單地輸入所有可用預(yù)測變量作為主效應(yīng)模型項(xiàng)。默認(rèn)使用前向逐步。

2）前向逐步選擇。在開始時(shí)模型中沒有任何效應(yīng)，然后在每個(gè)步驟中添加和刪除效應(yīng)，直到根據(jù)逐步選擇標(biāo)準(zhǔn)不能再添加或刪除效應(yīng)為止。

3）納入/移除標(biāo)準(zhǔn)。此為用于決定是將某個(gè)效應(yīng)添加到還是剔除出模型的統(tǒng)計(jì)量?！蛐畔?zhǔn)則(AICC)基于模型中給定訓(xùn)練集合的似然估計(jì)，并可調(diào)整以懲罰過度復(fù)雜模型?！騀統(tǒng)計(jì)量基于有關(guān)模型錯誤改進(jìn)情況的某個(gè)統(tǒng)計(jì)量檢驗(yàn)。◎調(diào)整R方基于訓(xùn)練集合的擬合度，并可調(diào)整以懲罰過度復(fù)雜模型?！蚍乐惯^度擬合準(zhǔn)則(ASE)基于防止過度擬合集的擬合度（平均方差，或ASE）。防止過度擬合集是不用于訓(xùn)練模型且大約為原始數(shù)據(jù)集30%的隨機(jī)子樣本。

4）最佳子集選擇。這將檢查“所有可能的”模型，或至少檢查可能模型的較大子集（大于“前向逐步”方法），以選擇滿足相應(yīng)標(biāo)準(zhǔn)的最佳子集?！蛐畔?zhǔn)則(AICC)基于模型中給定訓(xùn)練集合的似然估計(jì)，并可調(diào)整以懲罰過度復(fù)雜模型?！蛘{(diào)整R方基于訓(xùn)練集合的擬合度，并可調(diào)整以懲罰過度復(fù)雜模型?！蚍乐惯^度擬合準(zhǔn)則(ASE)基于防止過度擬合集的擬合度（平均方差，或ASE）。防止過度擬合集是不用于訓(xùn)練模型且大約為原始數(shù)據(jù)集30%的隨機(jī)子樣本。

二、結(jié)果說明（運(yùn)行后的結(jié)果解釋）

1、模型概要：模型及其擬合的快照概覽摘要

2、自動數(shù)據(jù)準(zhǔn)備：此視圖顯示在自動數(shù)據(jù)準(zhǔn)備(ADP)步驟中排除了哪些字段，以及轉(zhuǎn)換字段的派生方式等信息。對于每個(gè)轉(zhuǎn)換或排除字段，在此表中列出了字段名、在分析中的角色，以及ADP步驟所采取的操作。這些字段按其名稱的字母升序排列。對每個(gè)字段可能執(zhí)行的操作包括：◎?qū)С龀掷m(xù)時(shí)間：月份以月為單位，計(jì)算從包含日期的字段值到當(dāng)前系統(tǒng)日期所經(jīng)過的時(shí)間?！?qū)С龀掷m(xù)時(shí)間：小時(shí)以小時(shí)為單位，計(jì)算從包含時(shí)間的字段值到當(dāng)前系統(tǒng)時(shí)間所經(jīng)過的時(shí)間。◎?qū)y量級別從連續(xù)改為有序：將不到5個(gè)唯一值的連續(xù)字段重新設(shè)計(jì)為有序字段?！?qū)y量級別從有序改為連續(xù)：將超過10個(gè)唯一值的有序字段重新設(shè)計(jì)為連續(xù)字段。◎刪除離群值：如果連續(xù)預(yù)測變量的值位于截?cái)嘀担ㄆ骄档?個(gè)標(biāo)準(zhǔn)差）之外，則將其設(shè)為截?cái)嘀怠！蛱鎿Q缺失值：分別使用眾數(shù)、中位數(shù)和平均值替換名義字段、有序字段和連續(xù)字段的缺失值?！蚝喜㈩悇e以最大化與目標(biāo)的關(guān)聯(lián)：根據(jù)輸入與目標(biāo)間的關(guān)系確定“類似”的預(yù)測變量類別。無顯著差異（即p值大于0.05）的類別則被合并?！蚺懦Ａ款A(yù)測變量/在離群值處理之后/在合并類別之后：刪除具有單個(gè)值的預(yù)測變量，可能在執(zhí)行其他ADP操作之后。

3、預(yù)測變量重要性：通常，您需要將建模工作專注于最重要的預(yù)測變量字段，并考慮刪除或忽略那些最不重要的預(yù)測變量字段。預(yù)測變量重要性圖表可以在模型估計(jì)中指示每個(gè)預(yù)測變量的相對重要性，從而幫助您實(shí)現(xiàn)這一點(diǎn)。由于它們是相對值，因此顯示的所有預(yù)測變量的值總和為1.0。預(yù)測變量重要性與模型精度無關(guān)。它只與每個(gè)預(yù)測變量在預(yù)測中的重要性有關(guān)，而不涉及預(yù)測是否精確。

4、由觀測預(yù)測：這將顯示一個(gè)分級散點(diǎn)圖，其中預(yù)測值位于垂直軸上，而觀測值位于水平軸上。理想情況下，該點(diǎn)應(yīng)在45度線上；您可以從該視圖上判斷出任何被模型預(yù)測為較差的紀(jì)錄。

5、殘差：有多種不同的顯示樣式，可以從樣式下拉列表中訪問這些樣式?！?a href='/map/zhifangtu/' style='color:#000;font-size:inherit;'>直方圖。此為學(xué)生化殘差的分級直方圖，并帶有正態(tài)分布交疊。線性模型假設(shè)殘差具有正態(tài)分布，因此理想情況下直方圖應(yīng)相當(dāng)接近平滑線?！騊-P圖。此為分級概率-概率(P-P)圖，將學(xué)生化殘差與正態(tài)分布進(jìn)行對比。如果繪制點(diǎn)的坡度比正態(tài)線更平緩，則殘差顯示出比正態(tài)分布更顯著的變異性；如果更陡峭，則殘差的變異性低于正態(tài)分布。如果繪制點(diǎn)呈S型曲線，則殘差為偏斜分布。

6、離群值：此表列出對模型施加過度影響的記錄，并顯示記錄ID（如果在“字段”選項(xiàng)卡上指定）、目標(biāo)值，以及Cook距離。Cook距離是在特定記錄從模型系數(shù)的計(jì)算中排除的情況下，所有記錄的殘差變化幅度的測量。較大的Cook距離表示在排除記錄后系數(shù)會發(fā)生顯著變化，因此應(yīng)被視為有一定影響。應(yīng)仔細(xì)檢查有影響的記錄，以確定是在模型估計(jì)中給予較低權(quán)重，按照特定可接受閾值截?cái)嚯x群值，還是徹底移除有影響的記錄。

7、效應(yīng)：有多種不同的顯示樣式，可以從樣式下拉列表中訪問這些樣式。◎圖表。在此圖表中，將按預(yù)測變量重要性遞減順序，從上到下排列顯示效應(yīng)。在圖表中，連接線條根據(jù)效應(yīng)的顯著性進(jìn)行加權(quán)，粗線條表示較顯著的效應(yīng)（p值較?。彝Ｔ谶B接線條上將顯示工具提示，以指示效應(yīng)的p值和重要性。這是默認(rèn)值?！虮恚捍藶榭傮w模型與單獨(dú)模型效應(yīng)的ANOVA表。各個(gè)效應(yīng)將按預(yù)測變量重要性遞減順序，從上到下排列顯示。注意，在默認(rèn)情況下，此表處于折疊狀態(tài)，只顯示總體模型結(jié)果。要查看單獨(dú)模型效應(yīng)的結(jié)果，在表中單擊校正的模型單元格。

8、系數(shù)：此視圖顯示模型中每個(gè)系數(shù)的值。注意，由于因子（分類預(yù)測變量）在模型內(nèi)部經(jīng)過指示符編碼，因此包含因子的效應(yīng)通常具有多個(gè)關(guān)聯(lián)系數(shù)；每種類別一個(gè)關(guān)聯(lián)系數(shù)，但對應(yīng)于冗余（參考）參數(shù)的類別除外。有多種不同的顯示樣式，可以從樣式下拉列表中訪問這些樣式。◎圖表。在此圖表中，首先顯示截距，然后按預(yù)測變量重要性遞減順序，從上到下排列顯示效應(yīng)。在包含因子的效應(yīng)中，系數(shù)按照數(shù)據(jù)值的升序進(jìn)行排列。在圖表中，連接線條根據(jù)系數(shù)的顯著性（參見圖表鍵）而具有不同顏色，粗線條表示較顯著的系數(shù)（p值較?。?。懸停在連接線條上將顯示工具提示，以指示與參數(shù)關(guān)聯(lián)的效應(yīng)的系數(shù)值、p值和重要性。這是默認(rèn)樣式?！虮恚哼@將顯示單獨(dú)模型系數(shù)的值、顯著性檢驗(yàn)，以及置信區(qū)間。在截距后面，各個(gè)效應(yīng)將按預(yù)測變量重要性遞減順序，從上到下排列顯示。在包含因子的效應(yīng)中，系數(shù)按照數(shù)據(jù)值的升序進(jìn)行排列。注意，在默認(rèn)情況下，此表處于折疊狀態(tài)，只顯示每個(gè)模型參數(shù)的系數(shù)、顯著性和重要性。要查看標(biāo)準(zhǔn)誤、t統(tǒng)計(jì)量和置信區(qū)間，在表中單擊系數(shù)單元格。懸停在表中的模型參數(shù)名稱上，將顯示工具提示，以指示參數(shù)名稱、與參數(shù)關(guān)聯(lián)的效應(yīng)以及與模型參數(shù)關(guān)聯(lián)的值標(biāo)簽（對于分類預(yù)測變量）。當(dāng)自動數(shù)據(jù)準(zhǔn)備合并分類預(yù)測變量的相似類別時(shí)，這尤其適合用于查看新創(chuàng)建的類別。

9、估計(jì)平均值：只為顯著的預(yù)測變量顯示這些圖表。在圖表中，目標(biāo)的模型估計(jì)值位于垂直軸上，預(yù)測變量的每個(gè)值位于水平軸上，所有其他預(yù)測變量保持恒定。它提供了有關(guān)每個(gè)預(yù)測變量系數(shù)在目標(biāo)上的效應(yīng)的直觀表示，非常有用。

10、模型構(gòu)建匯總：◎前向逐步。如果選擇算法為前向逐步，此表將顯示逐步選擇算法中的最近10步。對于其中每個(gè)步驟，顯示在此步驟上選擇標(biāo)準(zhǔn)的值與模型中的效應(yīng)。這允許您了解每個(gè)步驟對模型的貢獻(xiàn)大小。每列允許您對行進(jìn)行排序，因此可以方便地看到在給定步驟上模型中有哪些效應(yīng)?！蜃罴炎蛹Ｈ绻x擇算法為最佳子集，此表將顯示前10個(gè)模型。對于每個(gè)模型，顯示選擇標(biāo)準(zhǔn)的值與模型中的效應(yīng)。您可以從中了解這些最佳模型的穩(wěn)定性；如果它們傾向于具有存在少量差異的相似效應(yīng)，那么您可以充分確信它們的確是“最佳”模型；如果它們傾向于具有迥異的效應(yīng)，那么某些效應(yīng)可能太相似，需要進(jìn)行合并（或刪除一些）。每列允許您對行進(jìn)行排序，因此可以方便地看到在給定步驟上模型中有哪些效應(yīng)。