文档介绍：多元逐步等回归分析
回归分析内容
一元线性
步骤：，，3. 回归，4. 判断系数；5。显著性检查（注意H0），（注意需要的条件）
一元非线性
y=a+blnx，如何判断那个好？
带虚拟变量
多元线性
多元非线性和逐步回归
Logistic回归
2
逐步回归分析
多元线性回归建立的回归方程包含了所有的自变量，但在实际问题中，可能有这样的情况：参加回归方程的P个自变量中，有些自变量单独看对因变量Y有作用（相关程度密切），但P个自变量又可能是相互影响的，在作回归时，它们对因变量所起的作用有可能被其他自变量代替，而使得这些自变量在回归方程中变得无足轻重。这时把这些自变量留在回归方程中，不但增加计算上的麻烦，而且不能保证有好的回归效果。为了克服这些缺点，提出了多元逐步回归。
3
多元逐步回归要求回归方程中包含所有对因变量作用显著的自变量，而不包含作用不显著的自变量，从而建立最优回归方程。
4
1、强行进入法（Enter）: 预先选定的自变量全部进入回归模型，这是系统默认方式。2、消去法（Remove）: 根据设定的条件剔除部分自变量。
逐步筛选变量的方法：
5
3、向前引入法（Forward）:自变量由少到多一个一个引入回归方程，将与因变量的相关系数最大的第一个自变量选入方程并进行检验，如果F值>Fa ，拒绝H0 ；将其余的变量中与因变量的相关系数最大的第二个自变量选入方程，当F值>Fa ，拒绝H0 ；如此下去，不断引入新的自变量，直到不能拒绝H0，再没有变量被引入为止。
6
4、向后剔除法（Backward）: 自变量由多到少一个一个从回归方程中剔除，首先，对预先选定自变量全部进行回归，然后把对因变量影响不显著的自变量从方程中剔除并进行检验，如果F值<Fa ，接受H0 ，一个一个剔除对因变量不显著的自变量，直到再不能剔除为止。
7
5、逐步引入—剔除法（Stepwise）: 向前引入法与向后剔除法的结合。
8
逐步回归的主要用途：建立一个自变量个数较少的多元线性回归方程，可用于描述某些自变量与某一医学现象间的数量关系，以及进行疾病的预测预报，辅助诊断等。
9
2、进行因素筛选，有助于从大量因素中筛选出对某一医学现象作用显著的因素和因素组，因此在病因分析和疗效分析中有着广泛的应用。
10