多重回归你好，
我有一个场景，我的响应是连续变量，预测变量是混合的（连续变量和分类变量超过 2 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与之相关。（换句话说，哪个预测变量对响应趋势贡献更大，因为趋势对于给定过程来说是一个坏兆头。）
我正在尝试使用多元回归的不同方法，但我有一些担忧：
最好对每种类型的变量运行不同的回归（一次仅使用数字，下次仅使用分类）来检测导致趋势预测器？
当我使用所有变量运行模型时，我得到了一些估计值的 NA，这是相关性的标志。 在这一点上，我不确定如何决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。
消费者和市场研究回复：多元回归我没有完整的信息，但看起来它们更多来自实验。
我非常感谢你的帮助。回复：多元回归谢谢。
这说得通。回复：多元回归我的想法。 皮特建议的是以图形方式（而不是定量地）寻找关系。 这是一个很棒的主意，图形生成器是您的朋友。 马克建议采用更定量的方法。 他建议采用附加方法来构建模型。
我们都不知道您是如何获取数据的？ 这是观察数据集、定向抽样还是实验？ 如果它是一个观察数据集，那么无论使用什么分析工具，你都能得到的最好结果就是相关性。 查看数据的方法有很多。 您可以尝试“分析”>“多元方法”>“多元”输入 y 和预测变量来获取散点图。 如果您进行回归建模，我建议您从假设开始。 哪些因素会影响响应的趋势？ 首先根据这些因素建立模型。 并始终查看参数估计表中的 VIF。
回复：多元回归我的建议将提供有关哪些变量相关的指导，并注意，相关性不是因果关系，特别是对于偶然数据，我认为您拥有这些数据。 只需查找 x 的变化，这些变化与响应的变化在时间上一致（注意可能存在滞后）。
回复：多元回归该消息表明了一个奇点。 这意味着共线性是完美的，或者估计值的相关性为 -1 或 +1。 您的模型过度指定。 这就是为什么我建议使用前向逐步或递归分区。
回复：多元回归你好，
我正在尝试使用此方法，但它不起作用，因为它给出了与错误相关的多重共线性。
警告信息：
在leaps.setup(x, y, wt = wt, nbest = nbest, nvmax = nvmax, force.in = force.in, 中：
发现 2 个线性相关性
感谢您的帮助。回复：多元回归听起来您怀疑手头的数据集存在共线性和奇异性。 您可以从完整的线性预测器开始尝试向前逐步逐步进行。
您还可以使用具有广泛过度拟合的分区，然后检查列贡献。 最大的贡献者很可能是真实的。
回复：多元回归事实上，我对引起趋势的变量比它发生时更感兴趣。
谢谢。回复：多元回归当你说“趋势”时......我假设你指的是响应中基于时间的系统性变化。 对于连续预测变量，我建议在图形生成器中使用一个简单的叠加图，利用响应收集的时间顺序（也许使用本地数据过滤器来有效地突出显示特定的 x）。 对于分类变量是否还存在潜伏的时间因素？ 比如批次 1、2、3、4 等，其中每个后续批次都按时间顺序限制？ 如果您有分类变量的时间顺序，请使用“值排序”列属性让它们在图形生成器中以正确的时间顺序显示。 如果你们真正感兴趣的是检测这种基于时间的趋势...您应该能够在图形生成器中“看到它”，甚至不需要进行任何建模。
