统计挖掘那些事（三）-超详尽回归分析指南（理论+动手案例）
点击上方蓝色字体，关注我们
浩彬老撕，R语言中文社区特邀作者，好玩的IBM数据工程师，立志做数据科学界的段子手。
个人公众号：探数寻理
往期回顾：
一、理论部分
简单地说，一元线性回归和多元线性回归都属于简单线性回归范畴，最直接的差异在于一元线性回归的自变量只有一个，而多元线性回归的自变量存在多个。
尽管主要的解决思路一致，大家可以把一元线性回归看作多元线性回归的特例，但在解决多元的问题上，咱们还是有比较多的问题需要注意。
回到咱们的回归方程，针对于此问题，我们需要关注的重点有3个：
（1）参数估计；（2）假设检验与评价；（3）变量选择
为了便于讨论，我们把上式改写成向量形式：
其中我们的数据集D中一共有n个样本，每个样本均可以由m个属性进行描述：
数据集D表示成矩阵X，第一列置为1，表示回归方程中的常数项
问题1：参数估计
针对于该方程中的未知参数，我们同样可以利用最小二乘法进行估计，损失函数方程有：
问题2：假设检验与评价
（1）F检验
与一元回归分析不一样，我们现在存在多个自变量。为了衡量整体方程的有效性，我们需要研究整体变量X是否有对y产生影响，也即意味着，我们需要验证的命题是：
也即对应的原假设：
为了验证该命题，我们可以借助F检验。
F检验是根据平方和分解式，从回归模型效果的角度进行验证。
平方和分解式有：
其中各项定义有：
通过以上的平方和分解式，我们成功把因变量的波动情况（SST）成功分解为两部分：（1）能够通过自变量x解释的部分（SSR）；（2）不能由自变量x解释的部分（SSE）；
因此构造F统计量如下：
在正态假设的前提下，当原假设成立时，上述的F统计量将服从自由度为（m,n-m-1）的F分布，当F大于临界值时，我们可以拒绝原假设，即认为在显著水平a下，回归方程的整体自变量x与因变量y有显著的线性关系。
（2）t检验
正如在F检验中介绍的，通过原假设，F检验只能说明整体变量X与Y之间有关系，但是并不能说明某个自变量x是否与因变量y有关系，因此我们仍然需要t检验来判断每个自变量的显著性
由一元线性回归的t检验进行推广：假若我们需要检验某个变量xi是否显著（即对应的回归系数bi是否不为0），则可以生成原假设：
（3）偏F检验
事实上，即使是一元回归分析，我们也是可以使用F检验来判断回归方程的显著性，只是在一元回归分析中的t检验与F检验是完全等价的，而在多元回归分析中，则没有那么直接。
但是这是否意味着在多元回归分析中，t检验和F检验则是完全没有关系呢？答案显示是否定的。接下来，我们尝试从另一个视角，从总平方和分解的角度来考察自变量的显著性。
对于平方和分解公式，我们用回归平方和（SSR）反映自变量X对因变量Y的解释能力，那么假如我们要衡量某个特定的自变量x（j）的解释能力可以怎们做？
记对所有自变量得到回归平方和为SSR，剔除掉x（j）后，其他自变量得到回归方程的回归平方和为SSR（-j），显而易见地，变量x（j）对回归方程的贡献为：SSR（j）=SSR-SSR（-j），同样地，我们可以构造偏F统计量
（4）决定系数
让咱们再次回到平方和的分解公式：
如我们在F检验中所讨论的，在整个分解式中，回归平方和（SSR）反映的是能够通过自变量x解释的部分，因此非常直观地，我们可以认定回归平方和所占的比重越大，则残差平方和越小，就越能证明回归的效果越好。
因此，我们不妨就把回归平方（SSR）和与总平方和（SST）的比值定义为决定系数，一般记作R方。
但值得注意的是，R方虽然经常被用作与评估线性回归模型的拟合好坏，但是却也存在着明显的不足：例如自变量越多，R方总是不减（事实上，随着自变量数目的增加，R方一般都是会增加）的，而不管这个自变量本身是否真的有效。
证明：
正如上述所证明的，随着自变量个数的增加，决定系数也随之增大，当自变量足够多的情况下，决定系数将表现得足够的“好”。极端情况下，当需要估计参数的数量与样本数量一致时，决定系数将能够达到1.
实际上，这种“好”是通过增加模型复杂度（也意味着牺牲了了残差自由度）所得到的，而随着模型复杂度越高，我们模型过拟合的情况可能就越严重，泛化能力就越差。关于模型过拟合的问题，浩彬老撕会在后面单独写一篇文章详细介绍。
因此为了避免这种无用的假象，我们需要在决定系数公式当中引入惩罚项，对于这个增加惩罚项的决定系数，我们一般称之为调整决定系数：
从公式可以看到，调整的R^2可以是一个负数，它总是小于/等于R方。另外不同于原有的R方，它只有在引入真正有助于分析的变量时，它才会得到增加。
问题（3）变量选择
正如我们所了解到的，并不是所有输入到模型的自变量x都能对因变量y产生显著作用，这就引出了咱们关于多元回归分析的第三个问题，怎么选择变量构建合适的方程。
一个显而易见的方法是，根据所有候选变量所形成的子集，求出所有可能的方程，再根据本文前面所提供的模型选择标准，例如调整r方，选择最优模型。
但该方法一个最大的问题是，对于存在m个变量的场景，我们需要构建(2^m)-1个方程组，显然，当自变量个数m十分大的时候，这是十分困难的。
因此人们为了能够更加简便快速的选择方程，提出了“前进法”，“后退法”以及“逐步回归法”。
实际上，上述的各种方法的核心在于借助于检验标准，控制自变量的进出，而这里的标准，实际上就是咱们在前面介绍的偏F检验。
（1）前进法：
前进法是一个变量由少到多的过程，它根据变量准入标准，每一步引入一个当前最重要的自变量，直至引入所有合乎标准的变量为止。具体做法如下：
（2）后退法
后退法与前进法的思想相反，它是一个变量由多到少的过程，后退法首先利用全部m个自变量建立全模型回归方程，再利用检验标准逐个剔除最不重要的变量，具体做法如下：
（3）逐步回归法
前进法和后退法都存在一个明显的不足，那就是变量的引入后无法再剔除（前进法）/变量被剔除后（无法再被引入），即所谓的“终身制”。
实际上，假定我们的的自变量间完全独立的话，上述前进法和后退法的“终身制”都是没有问题的，但在实际应用当中，我们的自变量往往存在着一定的相关关系，那么这就会带来问题了。
例如在前进法中，某个变量可能一开始是因为通过显著性检验而进入了方程，但在我们引入其他自变量后，这个变量可能就会显得不显著，但是这时候我们却没有办法将它重新剔除出模型了。
为了能够吸收前进法以及后退法的优点，因此提出了逐步回归法。逐步回归法的具体思想，实际上是在前进法的基础上，每当回归方程引入新的自变量后，都对方程中现有的变量重新检验，当发现有自变量不显著的情况下，则会将其重新剔除，具体做法如下：
二、实战部分
实战案例：
样例数据：房产价格分析.xlsx
下载链接：链接: https://pan.baidu.com/s/1gfBKCmB 密码: t95b
该数据集是某地区1998年的房产销售价格信息，包括属性：ID，建造年代，占地面积，室内面积，户外面积，价格
模型流如下所示：
类型节点中：
（1）把ID设为记录表示，表示该属性只作为标识用而不参与建模；
（2）把建造年代，占地面积，室内面积，户外面积四个属性作为输入；
（3）把价格设为目标；
在下方建模选项板中，选中回归节点，并把回归节点添加到流。
在回归节点中，模型选项卡下，一共有四种方法：
（a）进入法：即把所有输入均作为自变量建立全模型；
（b）步进法：即逐步回归法；
（c）后退法
（d）前进法
在此处，我们选择步进法建立回归模型，确认后，运行模型；
运行模型后，点开模型块查看模型结果。
首先看到的是变量重要性，经过分析，模型认为占地面积是最重要的变量，室内面积次之，接下来就是建造年代和户外面积；
在模型块中的高级选项卡下，可以进一步查看模型结果。
首先查看F检验结果，首先看到一共经历了4步构建出最终模型，按顺序分别引入了占地面积，建筑年代，室内面积，以及户外面积；下方表格对应了每一步所建立回归方程的F检验结果，可以看到最终结果的F统计量为1204.721，对应P值<0.05。
因此，我们认为回归方程整体显著，方程的自变量整体上对因变量销售价格有显著的线性影响
接下来查看系数检验的结果，从表中我们可以写出对应的回归方程式：
价格=-1747343.2+建造年代*901.8+占地面积*281.1+室内面积*206.1+户外面积*156.4
进一步地，我们也可以看到所有系数的t检验结果都是显著的。
最后查看拟合优度检验，可以看到R方值为0.81，调整R方值为0.809，说明我们所选择的自变量还是很能够解释因变量的影响。
事实上，处于篇幅的考虑，回归分析还有很大一部分内容未能涉及（部分证明也从略），关于这部分的内容我们老撕会在后续篇章再作补充。
大家都在看
公众号后台回复关键字即可学习
回复 R R语言快速入门及数据挖掘
回复 Kaggle案例 Kaggle十大案例精讲（连载中）
回复 文本挖掘 手把手教你做文本挖掘
回复 可视化 R语言可视化在商务场景中的应用
回复 大数据 大数据系列免费视频教程
回复 量化投资 张丹教你如何用R语言量化投资
回复 用户画像 京东大数据，揭秘用户画像
回复 数据挖掘 常用数据挖掘算法原理解释与应用
回复 机器学习 人工智能系列之机器学习与实践
回复 爬虫 R语言爬虫实战案例分享