配適迴歸模型
配適迴歸模型使用多個連續型和分類預測變數,為連續型反應變數配適迴歸方程。可用於預測、關係分析和預報;分類反應則應改用邏輯迴歸。應收集具有代表性且準確的資料,用 VIF 檢查多重共線性,並用殘差圖進行驗證。檢定使用 Adjusted(Type III,預設)或 Sequential(Type I)平方和,信賴區間預設為 95%。
最後審閱
核心要點
配適迴歸模型建立一個方程,量化一個或多個連續型或分類預測變數如何影響連續型反應變數,從而識別顯著變數並預測結果。
什麼是配適迴歸模型?
配適迴歸模型是一種統計工具,用於考察並量化一個或多個預測變數與連續型反應變數之間的關係。與只能處理單一預測變數的配適線圖不同,配適迴歸模型支援多個預測變數——連續型和分類預測變數均可——因此在分析真實資料時用途更廣。
它透過資料建立一個數學方程,以最佳方式描述各預測變數如何共同影響反應變數。該方程可用於瞭解規律、識別顯著變數和預測未來結果。
簡單定義:一種在多個輸入變數與一個輸出變數之間找出最佳數學關係的工具,幫助您瞭解趨勢並做出準確預測。
何時使用配適迴歸模型?
當需要分析一個或多個自變數與應變數之間的關係時,通常會使用配適迴歸模型。它是根據自變數的取值來預測和理解應變數行為的有用工具。
以下是配適迴歸模型可能有用的一些常見場景:
- 預測建模:如果要根據一個或多個自變數的值預測應變數的值,配適迴歸模型會很有用。例如,可能需要根據價格、廣告和客戶人口統計特徵等因素預測產品的銷量。
- 關係分析:如果要了解應變數與一個或多個自變數之間的關係,配適迴歸模型會有所幫助。例如,可能需要了解收入與教育水準之間的關係,或鍛鍊習慣與健康結果之間的關係。
- 預報:如果要根據歷史資料預報應變數的未來值,配適迴歸模型會很有用。例如,可能需要根據歷史銷售資料以及經濟指標和季節趨勢等其他變數預報未來銷量。
- 預測變數可以是 連續型、分類型,或兩者的組合。
- 離散變數可根據水準數和分析目的,視為連續型或分類型。
- 反應變數必須是 連續型。
- 分類反應不太可能滿足模型假設,也難以得到準確的預測。
總之,只要需要根據一個或多個自變數來理解或預測應變數的行為,配適迴歸模型就會有用。
正確使用配適迴歸模型的指南
- 使用 連續型反應變數,並搭配一個或多個連續型或分類預測變數;如果反應是分類型或計數型,請改用相應的邏輯模型或卜瓦松模型。
- 確保資料 準確代表目標總體;有偏或不完整的樣本會導致結果不可靠。
- 收集 足夠的資料點,以提供必要的統計精度並確保迴歸模型穩定。
- 儘可能 準確而精確地量測所有變數;量測誤差會直接影響配適模型的品質。
- 按 收集的先後順序 記錄資料,以幫助發現殘差中基於時間的趨勢或規律。
- 檢查預測變數之間的 多重共線性 ——如果嚴重,就很難判斷哪些預測變數真正顯著。使用 Coefficients 表中的 變異數膨脹因子(VIF)評估其嚴重程度。
- 配適之後,使用 殘差圖、診斷統計量和模型彙總統計量對模型進行驗證;配適不佳的模型可能得出誤導性的結論。
替代方法:何時不宜使用配適迴歸模型
- 要直觀展示連續型預測變數與連續型反應變數之間的關係,請使用配適線圖。
- 對於具有兩個類別的反應變數,請使用二元邏輯迴歸。
- 對於具有三個或更多類別且類別有自然順序的反應變數(如從強烈不同意到強烈同意),請使用有序邏輯迴歸。
- 對於具有三個或更多類別且類別沒有自然順序的反應變數(如劃痕、凹痕和撕裂),請使用名目邏輯迴歸。
配適迴歸模型範例
一位醫學研究人員想研究各種因素對脈搏率的影響。研究人員記錄了 91 名本科生的身高、體重、性別、吸菸偏好、活動水準和靜息脈搏率,然後將學生隨機分為兩組。第一組原地跑步一分鐘,另一組靜止站立。隨後,研究人員再次記錄學生的脈搏率。步驟如下:
- 收集所需資料。

- 現在,在 Zometric Statistical Software 中分析資料,網址為 https://statsai.zometric.com/。
- 要找到配適迴歸模型,請選擇 Statistical module> Regression>Fit Regression Model。
- 在工具中輸入資料及其他輸入項,如下所示:

- 使用上述工具後,得到如下輸出:




如何進行配適迴歸模型
操作步驟如下:
- 登入 Zometric Statistical Software,網址為 https://statsai.zometric.com/
- 在首頁選擇 Statistical Tool> Regression > Fit Regression Model。
- 接下來,手動更新資料,或從 Excel 表格中完整複製(Ctrl+C)資料並貼上(Ctrl+V);也可以使用 Load Example 選項載入範例資料。
- 接下來,填寫所需選項。
- 最後,點選頁面底部的 calculate,即可得到所需結果。
配適迴歸模型的工具介面分為兩部分。

左側為資料窗格(Data Pane)。在 Data Pane 中,每一列構成一個子群組。可以手動輸入資料,也可以從 Excel 表格中完整複製(Ctrl+C)資料並貼上(Ctrl+V)到此處。
Load example:將載入範例資料。
Load File: 用於直接載入 Excel 資料。
右側提供以下選項:
- Response: 在迴歸模型中,反應變數是由自變數或預測變數預測或解釋的變數,也稱為應變數或目標變數。反應變數是迴歸模型根據自變數的取值試圖估計或預測的變數。
- Continuous Predictors: 在迴歸模型中,連續型預測變數是取連續數值的變數,用於預測或解釋反應變數的變異。連續型預測變數可在一定範圍或區間內取任意值,可以帶有小數或分數。
- Categorical Predictors: 在迴歸分析中,分類預測變數是取有限個離散值的變數,這些值通常稱為類別或水準。這類變數也稱為定性變數或名目變數,與定量變數或數值型變數相對。
- Confidence level: 在迴歸分析中,信賴水準是衡量迴歸模型估計係數的精度和準確度的指標。具體來說,信賴水準是指以同樣方式對重複樣本計算的信賴區間中,包含係數真實總體值的長期比例。信賴水準通常以百分比表示,常用值為 95%。這意味著,如果用不同的資料樣本重複估計同一迴歸模型,所得信賴區間中約有 95% 會包含該係數的真值。
- Sum of squares for tests:
- Adjusted (Type III): 每一項的平方和是指,將該項加入已包含所有其他項的模型時誤差平方和的減少量,因此其檢定不取決於各項的引入順序。這是預設設定,通常為首選。Sequential (Type I): 每一項的平方和是指,按引入順序將該項加入模型時誤差平方和的減少量,因此某一項的檢定取決於在其之前引入的各項。
常見問題
什麼是配適迴歸模型?
配適迴歸模型用於考察並量化一個或多個預測變數與連續型反應變數之間的關係。它建立一個方程,以最佳方式描述各預測變數如何共同影響反應變數,該方程可用於瞭解規律、識別顯著變數和預測未來結果。預測變數可以是連續型、分類型,或兩者的組合。
配適迴歸模型與配適線圖有什麼區別?
配適線圖只能處理單一預測變數,而配適迴歸模型支援多個預測變數,連續型和分類型均可。要直觀展示一個連續型預測變數與連續型反應變數之間的關係,配適線圖是更簡單的選擇;對於多個預測變數,請使用配適迴歸模型。
何時不宜使用配適迴歸模型?
反應必須是連續型。對於具有兩個類別的反應,請使用二元邏輯迴歸。對於具有三個或更多類別且類別有自然順序的反應(如從強烈不同意到強烈同意),請使用有序邏輯迴歸。對於具有三個或更多類別且類別沒有自然順序的反應(如劃痕、凹痕和撕裂),請使用名目邏輯迴歸。
如何檢查迴歸模型中的多重共線性?
使用 Coefficients 表中的變異數膨脹因子(VIF)評估預測變數之間多重共線性的嚴重程度。如果嚴重,就很難判斷哪些預測變數真正顯著。配適之後,還應使用殘差圖、診斷統計量和模型彙總統計量對模型進行驗證,因為配適不佳的模型可能得出誤導性的結論。
