【連載4】 如何用spss做一般（含虛擬變量）多元線性回歸

回歸一直是個(gè)很重要的主題。因?yàn)樵?a href="http://www.3lll3.cn/" target="_blank">數(shù)據(jù)分析的領(lǐng)域里邊，模型重要的也是主要的作用包括兩個(gè)方面，一是發(fā)現(xiàn)，一是預(yù)測。而很多時(shí)候我們就要通過回歸來進(jìn)行預(yù)測。關(guān)于回歸的知識(shí)點(diǎn)也許不一定比參數(shù)檢驗(yàn)，非參數(shù)檢驗(yàn)多，但是復(fù)雜度卻絕對(duì)在其上?；貧w主要包括線性回歸，非線性回歸以及分類回歸。本文主要討論多元線性回歸（包括一般多元回歸，含有虛擬變量的多元回歸，以及一點(diǎn)廣義差分的知識(shí)）。請(qǐng)大家不要覺得本人偷奸?；尤恢挥幸粋€(gè)主題，兩個(gè)半知識(shí)點(diǎn)。相信我，內(nèi)容會(huì)很充實(shí)的。

對(duì)于線性回歸的定義主要是這樣的：線性回歸，是基于最小二乘法原理產(chǎn)生古典統(tǒng)計(jì)假設(shè)下的最優(yōu)線性無偏估計(jì)。是研究一個(gè)或多個(gè)自變量與一個(gè)因變量之間是否存在某種線性關(guān)系的統(tǒng)計(jì)學(xué)方法。

這個(gè)什么叫線性回歸，什么叫最小二乘法，在在高中數(shù)學(xué)課本里邊就有涉及。我就不重復(fù)了嘿嘿。本質(zhì)上講一元線性回歸是多元線性回歸的一個(gè)特例，因此我們就直接討論多元線性回歸了哈。

為了便于敘述，我們先舉個(gè)例子，假設(shè)我們想研究年齡，體重，身高，和血壓的線性回歸關(guān)系。

打開菜單分析——回歸——線性，打開主對(duì)話框。很容易可以知道在本例中因變量選擇血壓，自變量選擇年齡，身高，體重。然后注意，在因變量那個(gè)框框下邊還有一個(gè)寫著方法的下拉的單選菜單。這個(gè)方法指的是建立多元線性方程的方法，也就是自變量進(jìn)入分析的方法。一共包括五種，進(jìn)入，逐步，刪除，向后，向前。進(jìn)入是最簡單的一種，就是強(qiáng)迫指定選中的自變量都進(jìn)入方程。其余四個(gè)方法比較復(fù)雜，系統(tǒng)會(huì)依照不同的規(guī)則自動(dòng)的幫助你剔除不合格的自變量，以此保證方程的可靠性。

下邊的選擇變量框框是用來指定分析個(gè)案的選擇規(guī)則，這個(gè)一般大家是所有的個(gè)案都利用，所以不用管它。再下邊的個(gè)案標(biāo)簽變量，是用來在圖形中標(biāo)注值得，也不是重點(diǎn)。最下邊的WLS權(quán)重，是在加權(quán)最小二乘法里邊使用的，這里不管它。

介紹完主面板以后我們來看統(tǒng)計(jì)量選項(xiàng)卡。這張選項(xiàng)卡比較小，一般勾選的主要有估計(jì)，模型擬合度，共線性診斷，DW檢驗(yàn)統(tǒng)計(jì)量。其中前兩個(gè)是常規(guī)選項(xiàng)，后兩個(gè)是用來判斷共線性的。（由于方程中有兩個(gè)以上的自變量，如果這些自變量之間存在相關(guān)關(guān)系，就可能導(dǎo)致模型的失敗。可能會(huì)出現(xiàn)本應(yīng)該與因變量正相關(guān)的變量結(jié)果為負(fù)相關(guān)啊之類的問題。這時(shí)候就要看是不是存在多重共線性。）

繼續(xù)，單擊繪制。勾選直方圖，正太概率圖。

繼續(xù)，單擊保存。勾選預(yù)測值的未標(biāo)準(zhǔn)化，殘差的未標(biāo)準(zhǔn)化，預(yù)測區(qū)間的均值，單值，最下邊的包含協(xié)方差矩陣。

繼續(xù)。單擊選項(xiàng)。勾選使用F的概率，在等式中包含常量。

繼續(xù)，確定。

結(jié)果的解釋也說不上復(fù)雜。首先看模型匯總表的R方，這個(gè)值介于0和1之間，表示你的方程能解釋你的模型的百分之多少，所以越接近1越好啦。然后要看方差分析表。第一行的回歸對(duì)應(yīng)的最后邊的p值會(huì)告訴你這個(gè)方程是不是可信（注意，這個(gè)是整個(gè)方程的基礎(chǔ)，這個(gè)p值不合格的話下邊的數(shù)據(jù)都是無效的）。小于0.05認(rèn)為就是可信的哈。

然后再看下邊的系數(shù)表，這個(gè)表里的p值會(huì)告訴你每個(gè)自變量在這個(gè)方程里是否可信。小于0.05認(rèn)為可信哈。在最前邊的B下邊那一列會(huì)告訴你每個(gè)自變量在方程里的系數(shù)（非標(biāo)準(zhǔn)化系數(shù)的意思是用你原來的數(shù)據(jù)算出來的系數(shù)，標(biāo)準(zhǔn)系數(shù)的意思是你的數(shù)據(jù)標(biāo)準(zhǔn)化以后算出的系數(shù)。你寫方程時(shí)肯定看非標(biāo)準(zhǔn)化的哈）。圖片的話你的P-P圖上的每個(gè)空心圓都要盡量穿在那個(gè)線上邊，圓心越靠近那個(gè)線越好。

到這里一般多元線性回歸的基本知識(shí)就結(jié)束了。操作不是很難，但是遺憾的是，在實(shí)際生活中，關(guān)于多元線性回歸，還有許多問題。最常見的問題是這樣的。你為了保險(xiǎn)，選了十幾個(gè)變量在模型里邊。這樣的話，可能你的方程確實(shí)解釋了很大一部分模型，但是這除了使方程過分復(fù)雜以外，還會(huì)引發(fā)嚴(yán)重的多重共線性。所以不要選很多的變量在你的方程里邊?；蛘吣阍谀Ｐ屠镞x了五六個(gè)變量，其中一部分p值小于0.05，另一部分大于。而且最要命的是你覺得你的自變量好像都明顯和你的因變量相關(guān)。這個(gè)問題在于，有可能你的一部分自變量和你的因變量的相關(guān)性非常強(qiáng)，太強(qiáng)了，所以你的其他變量看上去就沒有那么相關(guān)了。這時(shí)候你需要試試改變你的進(jìn)入方法，改成逐步或者其他什么的。也許可以解決問題。

但是不是所有的問題都可以用調(diào)整變量，或者改變變量進(jìn)入方法可以解決的。有一些問題在于你的自變量的類型。有許多變量都是分類型的，比如你的性別，你是否抽煙，你的健康級(jí)別（不健康，一般，健康，非常健康）之類的。通常來講，錄入數(shù)據(jù)時(shí)會(huì)使用數(shù)字來表示特定含義。比如1是男，2是女，比如1,2,3,4來代表健康級(jí)別等等。一般情況下作分析是沒有問題的，但是在回歸里邊也許不那么適合。

尤其是對(duì)于無序資料來說。

舉個(gè)例子。季節(jié)。我們用1,2,3,4來表示四季。假設(shè)我們把這個(gè)變量當(dāng)做一般變量寫到方程里邊，那么我們就有這么個(gè)方程Y=X+X1*a，其中X1是四季變量。那么春季就是X+a，夏季就是X+2a，秋季就是X+3a，冬季就是X+4a，考慮一下，四季之間本來是沒有等級(jí)關(guān)系的，但是這個(gè)方程里邊顯示的冬季遠(yuǎn)遠(yuǎn)會(huì)比夏季的值大，那么真實(shí)情況是這樣嗎？很可能不是。因此就會(huì)造成方程的偏差。為了解決這個(gè)問題。我們引入虛擬變量的概念。

虛擬變量的設(shè)置方法是這樣的，如果我們有d個(gè)水平，那么我們就設(shè)置d-1個(gè)虛擬變量，選出一個(gè)變量來做參照，虛擬變量全為0時(shí)為這個(gè)參照變量。虛擬變量有一個(gè)為1時(shí)代表某一個(gè)水平。還拿季節(jié)舉例子，我們有四個(gè)季節(jié)，那么我們就設(shè)置三個(gè)虛擬變量，我們使000代表春季，100代表夏，010代表秋，001代表東。那么春季就是參照變量。（實(shí)際上設(shè)置四個(gè)虛擬變量也是可以的，但是結(jié)果一摸一樣）

所以現(xiàn)在我們的一個(gè)代表四季的變量就變成了三個(gè)虛擬變量。我們的方程就變成了Y=X+X1*a+X2*b+X3*c。那么X就是春季的值X+X1就是夏季的值X+X2就是秋季的值X+X3就是冬季的值，是不是更準(zhǔn)確了？

在張文彤老師的spss高級(jí)教程里邊講解到了虛擬變量的用法。但是由于是高級(jí)教程，因此并沒有提到如何設(shè)置虛擬變量。網(wǎng)上很多博客里邊也沒有提到這個(gè)問題。但是為了完整性，我還是想寫一下吧（畢竟這個(gè)系列的文章沒有數(shù)據(jù)轉(zhuǎn)換這個(gè)內(nèi)容）。在線性回歸里邊，你需要自己設(shè)定虛擬變量。打開轉(zhuǎn)換——重新編碼為不同變量，把季節(jié)變量（或者行業(yè)，地區(qū)，或者別的什么）選到輸入變量——輸出變量里邊，名稱里輸入你的新名稱，標(biāo)簽要點(diǎn)一下，點(diǎn)一下更改。單擊下邊的舊值和新值，舊值里邊輸入1，新值輸入1，點(diǎn)添加。然后舊值輸入2，新值輸入0，點(diǎn)添加，以此類推。設(shè)置好一個(gè)虛擬變量以后，設(shè)置第二個(gè)的時(shí)候，記得先把第一個(gè)從右邊的窗口傳回左邊的窗口。有點(diǎn)麻煩，但是在所難免嘛。

然后注意做回歸的時(shí)候，在主面板里邊自變量的第一張僅選擇你的虛擬變量，方法選進(jìn)入。你要確保你的虛擬變量都要一塊進(jìn)到方程里嘛。然后點(diǎn)下一張，選擇其他的數(shù)值變量，方法可以選逐步啊什么的?？唇Y(jié)果的時(shí)候前邊已經(jīng)講過了，虛擬變量改變的就是截距嘛。其他的結(jié)果都和一般的多元線性回歸結(jié)果一樣的。要注意的是就算有的虛擬變量p值合格，有的不合格，你選擇變量的時(shí)候也必須把一個(gè)變量設(shè)置出的所有的虛擬變量選到一塊，要么都要，要么都不要。

虛擬變量主要就是這樣了。但是除了變量類型導(dǎo)致的問題以外，還有一個(gè)很嚴(yán)重的問題就是多重共線性。雖然我們講，我們要少選幾個(gè)變量，我們要降維，我們要想辦法消減多重共線性。但是不可避免的，我們總是會(huì)碰到變量具有多重共線性的情況。

判斷多重共線性，主要是通過共線性診斷里的VIF值和DW檢驗(yàn)。VIF介于1到5時(shí)，就認(rèn)為沒有多重共線性。大于10時(shí)，認(rèn)為存在嚴(yán)重多重共線性。在這里我們不討論VIF大于10的情況（不然我下篇文章討論什么？），我們要討論的是另一種非常特殊的情況，VIF值合格，但是DW檢驗(yàn)沒有通過。這時(shí)候怎么辦？

當(dāng)然你可以假裝沒有看見DW檢驗(yàn)，你繼續(xù)做分析的話。很可能別人也看不出來，但是如果你的老師就是想考考你的廣義差分法呢？

所以我們還是討論一下廣義差分法的操作辦法。

首先你要保存你的變量的殘差，在時(shí)間序列里邊做滯后一期的殘差（就在主面板里），然后把殘差和滯后一期的殘差做回歸，記下它的斜率，在做滯后一期的自變量，因變量。建立新變量=原變量-斜率*滯后一期的變量（所有的自變量，因變量都要算新變量），然后再做回歸。

這上邊就是一次完整的廣義差分法操作過程。檢查DW，如果不合格，還需要在做一次廣義差分。一般至多做兩三次就可以了。過程有點(diǎn)復(fù)雜，其實(shí)用eviews做廣義差分會(huì)簡單許多。CDA數(shù)據(jù)分析師培訓(xùn)

多元線性回歸的內(nèi)容已經(jīng)結(jié)束了。祝大家學(xué)習(xí)愉快！