研究背景
某学院教务办想了解学习时间、出勤率、学习动机和睡眠时长与期末成绩的关系。四个因素彼此并不独立：出勤率高的学生往往学习时间也更长。如果分别做四次简单回归，得到的系数会互相混杂；因此需要放进同一个多元回归模型，看控制其他变量后的偏效应。
研究问题
控制其他变量后，哪些因素与期末成绩独立相关？模型的共线性、异方差与影响点是否会影响结论？
数据说明
32 名学生的期末成绩（0–120 分）、每周学习时间（小时）、出勤率（%）、学习动机（1–10 分）与平均睡眠时长（小时）。数据中保留了一个极端观测：第 32 行学习时间 12.5 小时、出勤率 97%、动机 9 分、睡眠 5 小时，但成绩只有 62 分。
分析步骤
步骤 1：先看整体模型是否成立
把成绩作为因变量，四个因素同时纳入 OLS。结果 F(4, 27) = 4.408，p = .007，R² = .395，调整 R² = .305。说明模型整体在 α = .05 水平上具有统计学意义，四个变量合计解释了约 39.5% 的成绩方差，调整后约 30.5%。
提示：整体 F 检验回答的是「这组预测变量合起来有没有用」，与单个系数是否显著是两个问题。
步骤 2：逐个读偏回归系数
控制其他三个变量后，只有出勤率的系数达到显著水平：b = 0.715，SE = 0.341，t(27) = 2.100，p = .045，95% CI [0.016, 1.414]。学习时间 b = 0.015（p = .991）、动机 b = 0.750（p = .522）、睡眠时长 b = 1.341（p = .506）均未观察到统计学显著差异。
提示：学习时间的 p 接近 1，不代表它与成绩无关；它的 VIF 约 5.0，标准误被放大到 1.43，置信区间很宽。
步骤 3：检查残差与共线性诊断
Breusch-Pagan LM = 6.000，df = 4，p = .199，未观察到异方差证据；Durbin-Watson = 1.772，无明显一阶自相关；Shapiro-Wilk 检验 p < .05，残差偏离正态，Q-Q 图两端可见偏离。最大 VIF = 5.007，属于中等程度共线性，单个系数的标准误需要谨慎解读。
步骤 4：核查强影响点并做敏感性分析
第 32 行的 Cook’s D = 1.088（大于 1），标准化残差为 −4.336，杠杆值 0.225。剔除该行后：n = 31，R² = .775，调整 R² = .741，F(4, 26) = 22.408，p < .001；学习时间 b = 1.986，p = .026；出勤率 b = 0.485，p = .019；动机与睡眠仍不显著。最大 VIF 降到 4.568，Breusch-Pagan p = .995，Durbin-Watson = 1.958，最大 Cook’s D 降到 0.226。
提示：不能因为「剔除后更显著」就直接删除。先核查该行是否录入错误或属于不同人群，再把剔除前后的结果一起报告。
结果解读
结论
全样本模型整体显著（F(4, 27) = 4.408，p = .007，R² = .395），但控制其他变量后只有出勤率与成绩独立相关（b = 0.715，95% CI [0.016, 1.414]，p = .045）。残差正态性未通过，最大 VIF 为 5.007，且第 32 行是 Cook’s D 大于 1 的强影响点。剔除该行后 R² 升至 .775，学习时间与出勤率均显著，说明结论对这一个观测敏感。
为什么这样解读？
多元回归的系数是「控制其他变量后」的偏效应，与单独做四次简单回归得到的系数不是一回事。单个系数不显著可能来自共线性、样本量不足或影响点，而不是变量本身无关；反过来，R² 很高也不代表每个系数都可信。影响点分析的价值在于：它告诉你结论有多依赖少数观测，从而决定报告时该保留多少确定性。
如何在论文中报告
以期末成绩为因变量，纳入学习时间、出勤率、学习动机与睡眠时长进行多元线性回归。模型整体 F(4, 27) = 4.41，p = .007，R² = .395，调整 R² = .305。出勤率的偏回归系数为 b = 0.715（SE = 0.341），t(27) = 2.10，p = .045，95% CI [0.016, 1.414]；学习时间、学习动机与睡眠时长的系数未达到 .05 显著性水平。最大 VIF = 5.01，Breusch-Pagan 检验 p = .199，Durbin-Watson = 1.772。第 32 行观测的 Cook’s D = 1.09；剔除后模型 R² = .775，学习时间与出勤率均显著（ps < .05），提示结论对该观测敏感，相关结果需谨慎解释。
常见错误
把不显著的系数解释为「该变量没有影响」
p 值大可能来自共线性、样本量小或效应本身较弱。应同时看系数的置信区间宽度与 VIF：置信区间很宽时，数据只是在说「还说不准」，而不是「效应为零」。
发现 Cook’s D 大于 1 就直接删除该观测
先核查是否为录入错误、测量异常或属于不同人群。若观测真实且符合研究范围，应保留并报告敏感性分析；擅自删除会高估结论的稳健性。
把观察数据的偏回归系数直接当作因果效应
横断面或观察数据可能存在未测量的混杂、反向因果与选择偏差。回归系数描述的是控制已纳入变量后的关联，因果结论需要研究设计支持。