多重回归你好，
我有一个场景，我的回答是一个连续变量，并且预测变量混合在一起（连续且分类超过两个级别）
在响应中，我看到了一个趋势，我的目标是调查哪个预测变量随趋势变化（换句话说，哪个预测变量在响应趋势中的作用更大，因为趋势对于给定的过程是不利的征兆）。
我正在通过使用多元回归尝试不同的方法，但我有一些担忧：
为每种类型的变量（一次仅使用数字，一次仅使用类别）运行不同的回归以检测导致趋势的预测因素更好吗？
当我使用所有变量运行模型时，我得到一些估计值的不适用，这是相关性的标志。 在这一点上，我不确定如何确定应该删除哪个变量以避免多重共线性。
我希望有一些想法。
谢谢。
分析工具回复：多元回归当您说“趋势”时...我想您是指响应中基于时间的系统性更改。 对于连续的预测变量，我建议在Graph Builder中利用响应收集的时间顺序（可能使用局部数据过滤器有效地突出显示特定的x）来制作一个简单的叠加图。 对于分类变量，是否还有潜伏时间元素？ 像批次1、2、3、4等这样说，每个后续批次都按时间顺序限制在哪里？ 如果您对分类变量有时间顺序，请使用“值排序”列属性使它们以正确的时间顺序显示在“图形生成器”中。 如果您真正感兴趣的是检测基于时间的趋势...您应该能够在Graph Builder中“看到它”，甚至不需要进行任何建模。
回复：多元回归实际上，我更感兴趣的是引起趋势的变量，而不是发生时的趋势。
谢谢。回复：多元回归听起来好像您怀疑手头的数据集具有共线性和奇异性。 您可以从完整的线性预测器开始，在正向逐步尝试。
您也可以将Partition与广泛的过拟合配合使用，然后检查列的贡献。 贡献最大的人可能是真实的。
回复：多元回归你好，
我正在尝试使用此方法，但它不起作用，因为它提供了与错误相关的多重共线性。
警告信息：
在jumps.setup（x，y，wt = wt，nbest = nbest，nvmax = nvmax，force.in = force.in，：
找到2个线性依赖性
谢谢你的帮助。
