多重回歸你好，
我有一個場景，我的回答是一個連續變量，並且預測變量混合在一起（連續且分類超過兩個級別）
在響應中，我看到了一個趨勢，我的目標是調查哪個預測變量隨趨勢變化（換句話說，哪個預測變量在響應趨勢中的作用更大，因為趨勢對於給定的過程是不利的徵兆）。
我正在通過使用多元回歸嘗試不同的方法，但我有一些擔憂：
為每種類型的變量（一次僅使用數字，一次僅使用類別）運行不同的回歸以檢測導致趨勢的預測因素更好嗎？
當我使用所有變量運行模型時，我得到一些估計值的不適用，這是相關性的標誌。 在這一點上，我不確定如何確定應該刪除哪個變量以避免多重共線性。
我希望有一些想法。
謝謝。
分析工具回复：多元回歸當您說“趨勢”時...我想您是指響應中基於時間的系統性更改。 對於連續的預測變量，我建議在Graph Builder中利用響應收集的時間順序（可能使用局部數據過濾器有效地突出顯示特定的x）來製作一個簡單的疊加圖。 對於分類變量，是否還有潛伏時間元素？ 像批次1、2、3、4等這樣說，每個後續批次都按時間順序限制在哪裡？ 如果您對分類變量有時間順序，請使用“值排序”列屬性使它們以正確的時間順序顯示在“圖形生成器”中。 如果您真正感興趣的是檢測基於時間的趨勢...您應該能夠在Graph Builder中“看到它”，甚至不需要進行任何建模。
回复：多元回歸實際上，我更感興趣的是引起趨勢的變量，而不是發生時的趨勢。
謝謝。回复：多元回歸聽起來您好像懷疑手頭的數據集具有共線性和奇異性。 您可以從完整的線性預測器開始，在正向逐步嘗試。
您也可以將Partition與廣泛的過擬合配合使用，然後檢查列的貢獻。 貢獻最大的人可能是真實的。
回复：多元回歸你好，
我正在嘗試使用此方法，但它不起作用，因為它提供了與錯誤相關的多重共線性。
警告信息：
在jumps.setup（x，y，wt = wt，nbest = nbest，nvmax = nvmax，force.in = force.in，：
找到2個線性依賴性
謝謝你的幫助。
