研究自变量X与因变量Y的影响关系研究时，我们都知道最常用的就是构建回归模型，但是回归模型的种类很多，应该如何确定自己需要做什么模型呢？下面就来探讨一下。

回归模型是研究分析自变量X与因变量Y之间的影响关系，通过构造回归模型，可以基于自变量X的值预测因变量Y的值，理解自变量如何影响因变量，以及各个自变量对因变量的影响程度。

目前在SPSSAU系统中，回归模型包含以下三十多种，一句话概括说明如下：

同学们可能会感到疑惑，就研究X与Y之间的影响关系，为什么会出现如此多的回归模型？这在因为研究X对于Y的影响时，会区分出很多种情况：比如因变量Y的数据类型，可能是定类数据也可能是定量数据；Y的个数可能有1个或多个；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。这也就解释了为什么会有如此多的回归分析方法。

那么面对如此多的回归模型，第一次写论文的同学们应该如何选择呢？

二、回归模型选择

论文写作用中回归模型的选择，通常需要结合X和Y的数据类型和个数进行确定。

1、数据类型

通常在SPSSAU中，为了通俗易懂我们将数据分为两大类：定类数据和定量数据

定量数据：数字大小具有比较意义

例如：GDP、身高、体重、工资、量表题选项（1,2,3,4,5）等等

定类数据：数字大小仅代表分类，不具有比较意义

例如：性别（如1和0分别代表男和女，不具有比较意义）、学历、职位等

2、回归模型初步判断

回归分析方法初步判断方法如下：

（1）因变量为定量数据（仅1个）

当因变量为定量数据且只有1个时，一般线性回归模型比较常用。线性回归模型是当前使用最为成熟，研究最多的回归分析方法之一。

线性回归模型有很多需要满足的前提条件（如线性、独立性、正态性、方差齐等），如果不满足这些假定或者条件可能会导致模型使用出错，那么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其他回归分析方法。

比如：如果自变量间出现多重共线性问题（VIF值大于10），那么可以使用岭回归、lasso回归、逐步回归等回归模型；如果X个数非常多，想要模型自动找出对Y有影响的X，可以使用逐步回归模型；若数据中有异常值，可以使用Robust回归模型；如果要对X进行分层或者分组，则使用对应的分层回归或者分组回归；若研究的数据不满足线性关系，则选择对应的非线性回归模型，如SPSSAU中提供的曲线回归和非线性回归方法中提供60多种非线性关系模型。

（2）因变量为定类数据

当因变量为定类数据时，一般logistic回归模型比较常用。

因变量为二分类变量时，比如“买&不买”、“阳性&阴性”，选择二元logistic回归分析；

因变量为多分类变量时，比如村长候选人“甲、乙、丙”，选择多分类logistic回归分析；

因变量为多分类变量且有序时，比如“不满意、一般、满意”，选择有序logistic回归分析。

（3）因变量为定量数据（多个）

在进行X对于Y的影响关系研究时，如果研究人员希望将多个Y同时放一起分析时，可以使用PLS回归模型。除此之外，若要研究多个X与多个Y之间的影响关系还可以使用路径分析或者结构方程模型。路径分析只研究变量间的影响关系，而结构方程模型同时研究变量间的影响关系和测量关系。

以上为比较常见的回归模型初步选择的说明，其中提到的回归方法都是在实际研究中使用频率较高的。

转自本硕毕业论文通关指导微信公众号，仅作学习交流，如有侵权，请联系本站删除！