
怎么在spss上做层次回归分析
在英文文献中,我们经常会见到hierarchical regression(层次回归分析).我们知道回归分析中最常见的就是进入(enter)法,是将所有的预测变量全部放入independents,不涉及变量的筛选,为默认的选项。而前进法或者向后法是按照一定的规则逐步加入变量,由系统自动进行,比如预测变量有4个abcd,首先分别拟合4个变量的4个简单模型,假如均没有显著,则程序终止。
假如均有显著,然后将其中P值最小的变量(假如为a)首先纳入到模型,分别有3个模型,a+b,a+c,a+d;假如bcd均没有显著,则程序终止。
假如bcd有统计学意义,则选择具有统计学意义p值最小的变量进入模型(假如为b)则分别有2个模型,a+b+c,a+b+d.如此反复进行,直至模型外的自变量均无统计学意义,模型内的自变量均有统计学意义
stepwise(逐步进入法)与前进法的主要区别是,在模型中假如变量之后不仅对新加入的变量进行检验,同时也对新模型中的原始变量进行检验,例如上例,a+b,a+c,a+d同时也对a进行检验,如果无统计学意义,也将a剔除出模型。
那么层次回归其实是建立在之前的回归分析方法之上的,与上述的统计方法不是并列关系。层次回归可以使用所有的回归方法,只是相当于对每层的变量进行单独的分析,找出差异性。其基本思想是将感兴趣的变量放在最后一步进入模型,以考察在排除了其他变量的贡献的情况下,该变量对回归方程的贡献。如果变量仍然有明显的贡献,那么我们可以做出该变量确实具有其他变量所不能替代的独特作用的结论。这种方法主要用于,当自变量之间有较高的相关,其中否一个自变量的独特贡献难以确定的情况。
应用举例:
本例考察不同种类土地使用面积与固体排放量之间的关系,自变量有indust,metals,trucks,retail,restrnts.我们想分析resrnts对固体排放量的单独贡献。那么我们可以选择将resrnts放入最后一层。
第一步将另外的四个变量放入block1中
第二步,点击next,放入resrnts变量,作为第二层。
第三步:点击右边第一个按钮statistic,主要勾选第二个R方的改变值,然后点击continue,OK
结果如下
第二层的变量较之于第一层变量多出的就是我们要考虑的变量,我们可以看到R方的改变值为0.152,方差分析显著,说明排除其他四个变量的影响,单独由宾馆、餐饮业用地所解释的差异为15.2%,具有统计学意义。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23