分类结果变量的回归分析方法
1. 线性回归的局限性与其他回归技术
线性回归是一种广泛使用且易于理解的统计技术,但其通常适用于结果变量为连续变量的情况。在数据分析中,很多时候需要预测名义或有序分类结果变量的值,例如预测学生课程的通过或失败,或者预测一个人对产品的满意度水平。
当处理名义分类结果变量时,研究人员常使用二元或多项逻辑回归。此外,回归通常与连续预测变量相关联,因此在回归模型中需要创建虚拟变量来表示分类变量,当有许多分类变量时,这可能变得难以管理。
当研究人员处理有序分类结果变量时,通常会使用线性回归或逻辑回归,但这两种方法可能会忽略变量的测量水平。实际上,将变量保留在原始类别中并直接用于回归可能更有效,因为对于分类因变量,线性回归的假设可能会被违反,导致结果不佳或对于名义变量而言毫无意义。
除了线性和逻辑回归,还有其他回归技术可供选择,这些技术允许名义和有序变量直接用于回归,并在其测量的适当尺度上进行处理。
2. SPSS中的回归方法
SPSS中一般采用两种回归方法:
- 方法一:将变量视为名义或有序变量,并使用各种复杂函数来建模结果变量与预测变量之间的关系(有序回归)。
- 方法二:修改变量的值以创建区间级编码,然后在标准线性回归中使用这些新值(分类回归)。
SPSS Statistics的回归子菜单包含各种类型的回归,这里主要关注有序回归和分类回归。以下是SPSS Statistics中可用的不同形式的回归:
| 技术 | 一般用途 |
| — | — |
| 自动线性建模 | 线性回归的一种变体,可自动准备数据以满足线性回归的假设(转
订阅专栏 解锁全文
9652



被折叠的 条评论
为什么被折叠?



