多重回歸你好，
我有一個場景，我的響應是連續變量，預測變量是混合的（連續變量和分類變量超過 2 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與之相關。（換句話說，哪個預測變量對響應趨勢貢獻更大，因為趨勢對於給定過程來說是一個壞兆頭。）
我正在嘗試使用多元回歸的不同方法，但我有一些擔憂：
最好對每種類型的變量運行不同的回歸（一次僅使用數字，下次僅使用分類）來檢測導致趨勢預測器？
當我使用所有變量運行模型時，我得到了一些估計值的 NA，這是相關性的標誌。 在這一點上，我不確定如何決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。
消費者和市場研究回复：多元回歸我沒有完整的信息，但看起來它們更多來自實驗。
我非常感謝你的幫助。回复：多元回歸謝謝。
這說得通。回复：多元回歸我的想法。 皮特建議的是以圖形方式（而不是定量地）尋找關係。 這是一個很棒的主意，圖形生成器是您的朋友。 馬克建議採用更定量的方法。 他建議採用附加方法來構建模型。
我們都不知道您是如何獲取數據的？ 這是觀察數據集、定向抽樣還是實驗？ 如果它是一個觀察數據集，那麼無論使用什麼分析工具，你都能得到的最好結果就是相關性。 查看數據的方法有很多。 您可以嘗試“分析”>“多元方法”>“多元”輸入 y 和預測變量來獲取散點圖。 如果您進行回歸建模，我建議您從假設開始。 哪些因素會影響響應的趨勢？ 首先根據這些因素建立模型。 並始終查看參數估計表中的 VIF。
回复：多元回歸我的建議將提供有關哪些變量相關的指導，並註意，相關性不是因果關係，特別是對於偶然數據，我認為您擁有這些數據。 只需查找 x 的變化，這些變化與響應的變化在時間上一致（注意可能存在滯後）。
回复：多元回歸該消息表明了一個奇點。 這意味著共線性是完美的，或者估計值的相關性為 -1 或 +1。 您的模型過度指定。 這就是為什麼我建議使用前向逐步或遞歸分區。
回复：多元回歸你好，
我正在嘗試使用此方法，但它不起作用，因為它給出了與錯誤相關的多重共線性。
警告信息：
在leaps.setup(x, y, wt = wt, nbest = nbest, nvmax = nvmax, force.in = force.in, 中：
發現 2 個線性相關性
感謝您的幫助。回复：多元回歸聽起來您懷疑手頭的數據集存在共線性和奇異性。 您可以從完整的線性預測器開始嘗試向前逐步逐步進行。
您還可以使用具有廣泛過度擬合的分區，然後檢查列貢獻。 最大的貢獻者很可能是真實的。
回复：多元回歸事實上，我對引起趨勢的變量比它發生時更感興趣。
謝謝。回复：多元回歸當你說“趨勢”時......我假設你指的是響應中基於時間的系統性變化。 對於連續預測變量，我建議在圖形生成器中使用一個簡單的疊加圖，利用響應收集的時間順序（也許使用本地數據過濾器來有效地突出顯示特定的 x）。 對於分類變量是否還存在潛伏的時間因素？ 比如批次 1、2、3、4 等，其中每個後續批次都按時間順序限制？ 如果您有分類變量的時間順序，請使用“值排序”列屬性讓它們在圖形生成器中以正確的時間順序顯示。 如果您真正感興趣的是檢測這種基於時間的趨勢...您應該能夠在圖形生成器中“看到它”，甚至不需要進行任何建模。
