基于因子分析的多元线性回归方法

A. 多元线性回归分析的优缺点

一、多元线性回归分析的优点：

1、在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此多元线性回归比一元线性回归的实用意义更大。

2、在多元线性回归分析是多元回归分析中最基础、最简单的一种。

3、运用回归模型，只要采用的模型和数据相同，通过标准的统计方法可以计算出唯一的结果。

二、多元线性回归分析的缺点

有时候在回归分析中，选用何种因子和该因子采用何种表达 式只是一种推测，这影响了用电因子的多样性和某些因子的不可测性，使得回归分析在某些 情况下受到限制。

多元线性回归的基本原理和基本计算过程与一元线性回归相同，但由于自变量个数多，计算相当麻烦，一般在实际中应用时都要借助统计软件。这里只介绍多元线性回归的一些基本问题。

(1)基于因子分析的多元线性回归方法扩展阅读

社会经济现象的变化往往受到多个因素的影响，因此，一般要进行多元回归分析，我们把包括两个或两个以上自变量的回归称为多元线性回归 。

多元线性回归与一元线性回归类似，可以用最小二乘法估计模型参数，也需对模型及模型参数进行统计检验 。

选择合适的自变量是正确进行多元回归预测的前提之一，多元回归模型自变量的选择可以利用变量之间的相关矩阵来解决。

Matlab、spss、SAS等软件都是进行多元线性回归的常用软件。

B. 怎么通过因子分析法后的将多个指标综合为一个因变量，怎么和几个自变量做回归分析，谢谢，

因子分析
1输入数据。
2点Analyze 下拉菜单，选Data Rection 下的Factor 。
3打开Factor Analysis后,将数据变量逐个选中进入Variables 对话框中。
4单击主对话框中的Descriptive按扭，打开Factor Analysis: Descriptives子对话框，在Statistics栏中选择Univariate Descriptives项要求输出个变量的均值与标准差，在Correlation Matrix 栏内选择Coefficients项，要求计算相关系数矩阵，单击Continue按钮返回Factor Analysis主对话框。
5单击主对话框中的Extraction 按钮，打开如下图所示的Factor Analysis: Extraction 子对话框。在Method列表中选择默认因子抽取方法——Principal Components，在Analyze 栏中选择默认的Correlation Matrix 项要求从相关系数矩阵出发求解主成分，在Exact 栏中选择Number of Factors;6， 要求显示所有主成分的得分和所能解释的方差。单击Continue按钮返回Factor Analysis主对话框。
6单击主对话框中的OK 按钮，输出结果。
多元线性回归
1.打开数据，依次点击：analyse--regression，打开多元线性回归对话框。
2.将因变量和自变量放入格子的列表里，上面的是因变量，下面的是自变量。
3.设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法。
4.等级资料，连续资料不需要设置虚拟变量。多分类变量需要设置虚拟变量。
虚拟变量ABCD四类，以a为参考，那么解释就是b相对于a有无影响，c相对于a有无影响，d相对于a有无影响。
5.选项里面至少选择95%CI。
点击ok。

C. 多元线性回归分析有什么作用通常可以得到那些结果

多元线性回归分析通过标准的统计方法可以计算出唯一的结果。多元线性回归分析的作用：

1、在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此多元线性回归比一元线性回归的实用意义更大。

2、在多元线性回归分析是多元回归分析中最基础、最简单的一种。

3、运用回归模型，只要采用的模型和数据相同，通过标准的统计方法可以计算出唯一的结果。

多元线性回归分析自变量的选择：

1、自变量对因变量必须有显着的影响，并呈密切的线性相关；

2、自变量与因变量之间的线性相关必须是真实的，而不是形式上的；

3、自变量之间应具有一定的互斥性，即自变量之间的相关程度不应高于自变量与因变量之因的相关程度；

4、自变量应具有完整的统计数据，其预测值容易确定。

D. 简述多元线性回归分析的步骤是什么

在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此多元线性回归比一元线性回归的实用意义更大。

1、普通最小二乘法(Ordinary Least Square, OLS)

普通最小二乘法通过最小化误差的平方和寻找最佳函数。

多元线性回归

其中，Ω是残差项的协方差矩阵。

E. 因子分析后做多元线性回归分析,因变量应该怎样计算

一般来说,因子分析所形成的因子都是自变量,因为因子分析所得到的因子地位是相同的,不应该做因子间的因果关系分析,而应该做这些因子对其他变量的影响或被其他变量所影响.假设因子分析所得到的因子为a1 a2 ……an,那么,需要引入a系列因子之外的其他变量（假设为b系列）,即a系列与b系列因子之间才能做回归分析.
就你的题目来看,你的研究应该是因子分析所得到的各个因子为自变量,其他“外部”的因子为因变量.
（以上有调查问卷SPSS与结构方程模型Amos统计分析专业人士 南心网提供）

F. 因子分析后如何做线性回归分析自变量和因变量怎么取

因变量和自变量来自于理论假设，而不是统计结果。同一个因子分析结果，自变量和因变量可以互换，关键是您假设哪个变量影响另一个变量，被影响者是因变量，影响者就是因变量。（南心网 SPSS因子分析）

G. 知道因子得分怎样做多元线性回归分析

明确好自变量和因变量就行，多个变量预测一个变量，此时，用来预测的变量就是自变量，被预测的就是因变量。

H. 如何用SPSS实现多个因变量的多元线性回归分析

在大多数的实际问题中，影响因变量的因素不是一个而是多个，我们称这类回问题为多元回归分析。可以建立因变量y与各自变量xj(j=1,2,3,…,n)之间的多元线性回归模型：

其中：b0是回归常数；bk(k=1,2,3,…,n)是回归参数；e是随机误差。
多元回归在病虫预报中的应用实例:
某地区病虫测报站用相关系数法选取了以下4个预报因子；x1为最多连续10天诱蛾量(头)；x2为4月上、中旬百束小谷草把累计落卵量(块)；x3为4月中旬降水量(毫米)，x4为4月中旬雨日(天)；预报一代粘虫幼虫发生量y（头/m2）。分级别数值列成表2-1。
预报量y：每平方米幼虫0~10头为1级，11~20头为2级，21~40头为3级，40头以上为4级。
预报因子：x1诱蛾量0~300头为l级，301~600头为2级，601~1000头为3级，1000头以上为4级；x2卵量0~150块为1级，15l~300块为2级，301~550块为3级，550块以上为4级；x3降水量0~10.0毫米为1级，10.1~13.2毫米为2级，13.3~17.0毫米为3级，17.0毫米以上为4级；x4雨日0~2天为1级，3~4天为2级，5天为3级，6天或6天以上为4级。