|
舉例：某自變量X1與Y為正相關關系，但是線性回歸顯示X1的回歸系數(shù)為負數(shù),，和實際情況相反,，這不符合現(xiàn)實情況，屬于比較典型的共線性問題,。    此時，不管前面調整R方有多么能說明問題,，這個模型也是不能用的！錯誤的！ 然后我們發(fā)現(xiàn)自變量身長,、自變量頭圍的VIF值均大于200,，VIF指標是非常不錯的共線性的指針，一般上,，當VIF>10,，即可懷疑存在共線性問題了。 也就是說,，身長和頭圍這兩個存在較為嚴重的共線性問題,。如果強行擬合線性回歸的話，模型不可用,。但是醫(yī)師就是要研究身長,、頭圍、體重和周齡的關系,，我們還不能直接剔除,。 回歸還得繼續(xù)，但顯然普通線性回歸已經(jīng)不合適了,。 怎么辦呢,？嶺回歸是一個可選的解決方案。 SPSS也是可以執(zhí)行嶺回歸的,，不過不是常見的菜單對話框模塊來執(zhí)行,，而是需要編寫一段語法。不要擔心,，這段語法比較簡單,，是比較容易理解和掌握的。 菜單：【文件】→【新建】→【語法】,，打開語法窗口,，輸入如下代碼： INCLUDE'C:\Program Files\IBM\SPSS\Statistics\24\Samples\Simplified Chinese\Ridge regression.sps'. ridgereg enter=long touwei weight /dep=y /start=0 /stop=1 /inc=0.05 /k=999. EXECUTE 如下圖所示：   觀察嶺跡圖后，我們需要確定一個拐點,，在這個拐點處,，能使各條曲線同步趨于平穩(wěn)和重合,。拐點的確定，是比較主觀的,，不同的人可能會有不同的看法,，總的原則是，所選拐點,，也就是參考K,，它對應的調整R方盡可能大一些。  我們可以看到，參數(shù)K（拐點的位置）越大,，縱軸回歸擬合決定系數(shù)R方就越小,。所以K不能選的過大，否則回歸方程決定系數(shù)就會大幅降低,，回歸方程質量就會下降,。 我們要在盡可能少的損失下，確定合適的參數(shù)K ,。 本例,，當K=0.05時，三條曲線,，尤其是long和touwei兩個變量趨于平穩(wěn),，此時對應的R方約為0.95，模型擬合質量還是蠻高的,。 因此,，本例K=0.05。 確定了參數(shù)K的取值,，接下來正式的開始用嶺回歸的方法擬合出回歸方程,。這一步仍然需要編寫一段語法代碼。 打開你電腦安裝SPSS的工作路徑,，找到“Ridge regression.sps”,，這個文件就是SPSS提供的能實現(xiàn)嶺回歸的語法代碼宏文件，每個人的電腦只要安裝了SPSS,，就會在軟件的安裝路徑下自動有這個文件,。 現(xiàn)在打開這個文件，找到【out similar to REGRESSION output.】這一段語法,，在下方合適的位置,，插入一句語法代碼：  INCLUDE'C:\Program Files\IBM\SPSS\Statistics\24\Samples\Simplified Chinese\Ridge regression.sps'. ridgereg enter=long touwei weight /dep=y /start=0 /stop=1 /inc=0.05 /k=0.05. EXECUTE 將參數(shù)k有默認的999,，修改為0.05（前面嶺跡圖確定的拐點位置）,。然后執(zhí)行代碼,。得到嶺回歸結果。  y=8.7+0.225*long+0.111*touwei+0.005*weight 該回歸方程的方差分析顯示,，p<0.05,，說明模型有統(tǒng)計學意義，該方程的調整R方=0.94,，模型能解釋因變量94%的變化，擬合效果可以接受,。 回歸方程中,，三個自變量long、touwei,、weight的偏回歸系數(shù)均為正數(shù),，說明三個自變量與胎兒周齡均為正相關關系，影響的程度具體看系數(shù)的絕對值,。符合現(xiàn)實情況,。 嶺回歸視頻演示近期更新發(fā)布至《SPSS從入門到實踐提高》課程 參考資料：嗵嗵e研-嶺回歸分析及其SPSS實現(xiàn)方法   |
|
|
來自： 鐘山紫竹林 > 《統(tǒng)計》
