分层线性回归（分层线性回归分析结果解读）

本篇文章给大家谈谈分层线性回归，以及分层线性回归分析结果解读对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、y变量是1-10的数用什么回归模型
• 2、如何检验调节作用
• 3、什么是分层逐步多元回归分析？
• 4、怎么在SPSS软件中用多元线性回归做调节效应
• 5、多元线性回归和分层回归分析区别
• 6、分层回归是逻辑回归吗

y变量是1-10的数用什么回归模型

只要学习过数据分析，或者对数据分析有一些简单的了解，比如使用过SPSSAU、SPSS这些统计分析软件，都知道有回归分析。

按照数学上的定义来看，回归分析指研究一组随机变量(Y1 ，Y2 ，…，Yi)和另一组(X1，X2，…，Xk)变量之间关系的统计分析方法，又称多重回归分析。通常Y1，Y2，…，Yi是因变量，X1、X2，…，Xk是自变量。

其实说简单点就是研究X对于Y的影响关系，这就是回归分析。但是，这并不够呢，看下图，总共19种回归（其实还有不单独列出），这如何区分，到底应该使用哪一种回归呢，这19种回归分析有啥区别呢。为什么会这如此多的回归分析呢？



SPSSAU整理

一、首先回答下：为什么会有如此多的回归分析方法？

在研究X对于Y的影响时，会区分出很多种情况，比如Y有的是定类数据，Y有的是定量数据（如果不懂的童鞋可查看SPSSAU官网帮助手册），也有可能Y有多个或者1个，同时每种回归分析还有很多前提条件，如果不满足则有对应的其它回归方法进行解决。这也就解决了为什么会有如此多的回归分析方法。接下来会逐一说明这19种回归分析方法。

二、回归分析按数据类型分类

首先将回归分析中的Y（因变量）进行数据类型区分，如果是定量且1个（比如身高），通常我们会使用线性回归，如果Y为定类且1个（比如是否愿意购买苹果手机），此时叫logistic回归，如果Y为定量且多个，此时应该使用PLS回归（即偏最小二乘回归）



SPSSAU整理

线性回归再细分：如果回归模型中X仅为1个，此时就称为简单线性回归或者一元线性回归；如果X有多个，此时称为多元线性回归。

Logistic回归再细分：如果Y为两类比如0和1（比如1为愿意和0为不愿意，1为购买和0为不购买），此时就叫二元logistic回归；如果Y为多类比如1，2，3（比如DELL, Thinkpad, Mac）,此时就会多分类logistic回归；如果Y为多类且有序比如1，2，3（比如1为不愿意，2为中立，3为愿意），此时可以使用有序logistic回归。如果Y为两类时，有时候也会使用二元Probit回归模型。

除此之外，如果Y为定量且为多个，很多时候会将Y合并概括成1个（比如使用平均值），然后使用线性回归，反之可考虑使用PLS回归（但此种情况使用其实较少，PLS回归模型非常复杂）。

三、深入说明线性因归模型

我们常见的回归分析中，线性回归和logistic回归最为常见。也是当前研究最多，并且使用最为普遍，以及最为人接受容易理解的研究方法。

尤其是线性回归，其使用最为成熟，研究最多，而且绝大多数生活现象均可使用线性回归进行研究，因而结合回归分析还会多出一些回归方法；同时回归分析模型会有很多假定，或者满足条件，如果不满足这些假定或者条件就会导致模型使用出错，此时就有对应的其它回归模型出来解决这些问题，因而跟着线性回归后面又出来很多的回归。如下图：



SPSSAU整理

线性回归是研究X对于Y的影响，如果说有多个X，希望让森孙模型自动找出有意义的X，此时就可以使用逐步回归。另外在派蠢很一些管理类研究中会涉及到中介作用或者调节作用，此时就可能使用到分层回归或者分组回归等。

在进行线性回归分析时，如果说模型出现共线性问题VIF值很大，此时就可以使用岭回归进行解决，岭回归的使用较为广泛，其实还有Lasso回归也可以解决共线性问题，但是使用非常少而已。

如果数据中有异常值，常见的解决办法是先把异常值去除掉，但有的时候确实无法去除掉异常值，此时可考虑使用稳健回归分析模型。

线性回归的前提是X和Y之间有着线性关系，但有的时候X和Y并不是线性关系，此时就有着曲线回归和非线性回归这两种回归出来供使用，曲线回归其实质上是将曲线模型表达式转换成线性关系表达式进行研究，而非线性回归较为复杂当然使用也非常少，其和线性回归完全不是一回事情。以及Poisson回归（泊松回归）是指Y符合泊松分布特征时使用的回归研究模型。

四、其它

除此之外，还有比如加权WLS回归等此羡链，使用较少，不单独说明。

最后特别说明的一种回归模型叫Cox回归，这是医学研究中使用较多的一种方法，是研究生存影响关系，比如研究抑郁症生存时间，癌症的死亡时间影响关系情况等。

综上所述，一次性将19种回归汇总，基本上都可以在SPSSAU上面找到，关于各类回归方法的使用，以及具体原理，可查看SPSSAU官网，以及可使用上面的案例数据，逐一进行操作分析。

如何检验调节作用

我们今天用到了spss中的分层回归，这种方法其实和回归没嫌滑有太大差异，只是在回归的时候，分两个步骤进行，然后对两步中的R方值的改变大小进行显著性检验，如果达到了预先设置的显著性水平，就可以证明调节作用。我们来看看具体的步骤：

明确变量类型：我们今天使用的自变量、调节变量、因变量都是连续性变量，或者说是等距变量。

我历纳们在菜单栏上执行：分析——回归——线性回归，如图所示

接着，我们要输入变量，放入因变量，然后放入自变量和调节变量，自变量和调节变量都在independent框中，图中没有列出调节变量，你别跟着犯错。点击next按钮，进入第二层

在第二层中，independent框中不仅仅有自变量和调节变量，还有自变量和调节变量的交互项，假如你不知道这个交互项是从哪里来的，你可以在百度经验中搜索【回归模型中如何增加交互项】。这里就不再详述了。

我们点击statistics按钮，进行设置

在这里需要重点勾选R方改变值或者其他你感兴趣的指标，如图所示，然后点击继续

我们先看R方的改变值是否达到了显著水平，如果达到了显著水平，然后找到模型的系数检验结果，因为保密原因，我把变量的名称都隐去了，你可以看到芹烂腊红色方框中就是交互项的系数检验，B值达到显著水平，说明调节作用得到了证明。

为了进一步看到调节变量是如何起到调节作用的，也就是具体的调节方向，我们需要进一步来进行探究，因为篇幅太长，我们在下一篇文章中讲【检验调节变量的调节方向】

什么是分层逐步多元回归分析？

分层回归通常用于中介作用或者调节作用研究中。

分析时通常第一层放入基本个人信息题项或控制变量；第二层放入核心研究项。使用SPSSAU在线spss分析，输出格式均为标准格式，复制粘贴到word即可使用。

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。

假如在其他条件相等的情况下，一个模型比另一个模型解释了更多的变异，则这个模型是一个更好的模型。两个模型所解释的变异量之间的差异可以用统计显著性来估计和检验。

扩展资料：

前面介绍的回归分析中的自变量和因变量都是数值型变量，如果在回归分析中引入虚拟变量（分类变量），则会使模型的应用范围迅速扩大。在自变量中引入虚拟变量本身并不影历友衫响回归模型的基本假定，因为经典回归分析是在给定自变量X的条件下被解释变肢腔量Y的随机分布。

但是如果因变量为分类变量，则会改变经典回归分析的基告局本假定，一般在计量经济学教材中有比较深入的介绍，如Logistics回归等。

参考资料来源：百度百科-多元回归分析

怎么在SPSS软件中用多元线性回归做调节效应

回归做调节效应，是使用回归进行。但是更多是使用分层回归，即通过加入交互项后，看交互项是否显著纤拿，模型解释力度有没明显的变化，来判断调节效应是否存在。如果加入交侍缺互项后模型明显变化，或者调节毁谈搭项呈现出显著性即说明具有调节作用。在线SPSS分析软件SPSSAU中就有这个分析方法可以使用，以及有可能使用到sobel检验里面也有。

多元线性回归和分层回归分析区别

一、自变量的数据类型不同

多元线性回归：多元线性回归的自变量X的数据类型是连续型变量。

多重线性回归：多重线性回归的自变量X的数据类型可能存在多种数据类型，例如渗拦性别等的离散型变量。

二、方程不同

多元线性回归：多元线性回归的方程中没有随机变量。

多重线性回归：多重线性回归的方程中有随机变量。

三、因变量的值不同

多元线性回归：多元线性回归的回归方程求出的是因变量y的平均值。

多重线性回归：多重丛此胡线性回归的回归方程求出的是因变量y的平均预测值。

扩展资料

多重线性回归的条件：

1、因变量为连续性变量

2、自变量不少于2个

3、因变量与自变量之间存在线性关系

4、样本个体间相互独立（由Durbin-Waston检验判断）

5、等方差性：各X值变动时，相应的Y有相同的变异度

6、正态性：给定各个X值后，相应的Y值服从扒销正态分布

7、不存在多重共线性

分层回归是逻辑回归吗

不属于。

逻辑回归属于概率型的非线性回归,分为二分类和多分类的回归模型。

分层回归的理解其实是对两个或多个回归模型进行比较。分组数据的逻辑回归模型也可以称为分层逻辑回归。

逻辑（Logistic）回归用于研究Y为定类数据时X和Y之间的影响关系情况，如果Y为两类比如0和1（比如竖瞎哪1为愿意和0为不神扮愿意，1为购买和0为不购买），此时就叫二元逻辑回归；如果Y为三类以上,此时就称为多分类逻辑回归。

自变量并不一定余码非要定类变量，它们也可以是定量变量。如果X是定类数据，此时需要对X进行哑变量设置。

[img]

关于分层线性回归和分层线性回归分析结果解读的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。