线性回归的输出

2025年3月17日 | 阅读 3 分钟

在本节中，我们将学习线性回归的输出。线性回归的输出如下：

这些是默认创建的表格。由于我们没有从我们的角度选择任何选项。因此，这意味着这些是我们在进行线性回归分析时的基本表格。现在我们将逐个了解所有表格。第一个表格是一个简单的描述表，它告诉我们关于我们的模型。

在上图中，我们可以看到在模型下，只写了1。这是因为我们只取了一个变量，并且我们只构建了一个模型，而这个模型是广告影响销售额的地方。假设有更多的变量，我们想单独查看广告的作用和市场状况对销售额的影响。所以我们可以使用块选项和其他模型来构建。所以，在这种情况下，我们得到了两个模型。但目前，我们有一个模型。

我们在研究中使用的变量是广告和支出。所以这是两个变量。因变量是去趋势销售额，并且所有请求的变量都被输入。由于我们使用了enter 方法，因此所有变量在enter 方法的情况下都具有相同的权重。所有变量都已输入。这意味着所有变量都已输入到此回归方程中。

我们没有删除任何变量。这就是为什么已删除的变量字段是空白。进行回归的方法是Enter 方法。

这就是描述表，不适用于报告目的。但是了解它们是很好的。然后我们有一个这样的模型摘要表

在模型摘要中，我们再次有一个模型，我们的预测变量是常数和广告支出。所以我们实际上只有一个变量。

现在我们有R，它指的是变量之间的相关性。在回归的情况下报告相关性很重要，因为如果变量之间存在相关性，我们可以推断一个变量会影响另一个变量。如果变量之间没有关系，我们将寻找因果关系。相关性并不能保证因果关系，但因果关系需要相关性。

然后我们有另一个度量，称为R方。所以，R方是所有自变量对因变量的总影响的度量。我们可以将R方解释为自变量在因变量中解释的影响的百分比。所以，我们的自变量是广告支出，而因变量是销售额。这意味着广告支出可以解释83.8% 的销售额。这意味着大量的销售额基本上是由广告变量创建或影响的。所以，广告是销售额的一个重要变量。

之后，我们有调整后的 R 方。调整后的 R 方是一种统计量，用于我们正在创建非简约模型的情况。这个想法是，当我们创建一个模型或回归方程时，在这种情况下，我们应该选择所有必要的变量。但是，如果我们选择了任何不必要的变量，则应该对此进行惩罚。这就是为什么我们没有创建冗长的不必要的变量列表。如果我们发现并且我们想研究任何因变量，则可以有无限个自变量来解释它。但我们的任务是只取那些显着导致因变量的变量。这就是为什么我们有调整后的 R 方。如果我们有很多自变量，那么报告这个指标是很好的。因为，在我们的案例中，我们只有一个自变量。R 方和调整后的 R 方之间的差距没有太大差异。R 方是.838，而调整后的 R 方是.831。所以减少量只有.007点，这是可以忽略不计的。