多元回归与诊断
多个自变量同时预测一个连续因变量时使用 OLS 多元线性回归。输出偏回归系数、标准误、 t 检验、95% 置信区间、标准化系数与 VIF，并给出残差、杠杆值、Cook’s D、 Durbin-Watson 与 Breusch-Pagan 诊断，帮助判断系数是否可信、哪些观测在左右结论。
30 秒方法卡先确认方法适合你的数据，再看输入框展开收起
- 什么时候用
- 因变量为连续变量，需要同时纳入多个预测变量并估计各自的偏效应
- 需要什么数据
- 一列连续因变量 + 两列及以上预测变量（分类变量需先做哑变量），每行一个完整观测；含缺失值的行会被整行排除。
- 结果怎么读
- 偏回归系数表示其他自变量不变时，该变量每增加一个单位因变量的平均变化；95% CI 不包含 0 对应 p 小于 .05。R² 与调整 R² 衡量解释力，整体 F 检验回答模型是否优于仅含截距的模型。VIF 小于 5 通常可接受，5 到 10 需谨慎；Breusch-Pagan p 小于 .05 提示异方差，Durbin-Watson 明显偏离 2 提示自相关，Cook’s D 大于 1 的观测应做敏感性分析。
- 一个常见错误
- 逐个解读系数的显著性，却忽略整体 F 检验与变量间的共线性
输入数据
每行一个完整观测：一列连续因变量，加一列或多列预测变量。
拖入 CSV / TSV 文件，或
最大 2 MB / 5000 行，自动检测分隔符
分类变量（如性别、年级）请先在「数据处理」中生成哑变量再加入模型。 含空值或非数值的行会被整行排除，排除数量会在结果中提示。
这部分属于完整研究流程的第 7 步 · 建模与稳健性。看看它在一条完整路线里的位置 →
相关工具
多元回归与诊断：方法说明与使用要点
多元线性回归（OLS）用多个自变量同时预测一个连续因变量，输出控制其他变量后的偏回归系数、标准误、t 检验、95% 置信区间、标准化系数与 VIF，并提供残差与影响点诊断。
适用条件
- 因变量为连续变量，需要同时纳入多个预测变量并估计各自的偏效应
- 需要判断多重共线性、异方差、残差正态性或强影响点是否影响结论
- 需要在同一模型中比较不同量纲变量的相对贡献（标准化系数）
如何解读结果
偏回归系数表示其他自变量不变时，该变量每增加一个单位因变量的平均变化；95% CI 不包含 0 对应 p 小于 .05。R² 与调整 R² 衡量解释力，整体 F 检验回答模型是否优于仅含截距的模型。VIF 小于 5 通常可接受，5 到 10 需谨慎；Breusch-Pagan p 小于 .05 提示异方差，Durbin-Watson 明显偏离 2 提示自相关，Cook’s D 大于 1 的观测应做敏感性分析。
常见误用
- 逐个解读系数的显著性，却忽略整体 F 检验与变量间的共线性
- 只看 R² 和 p 值，不检查残差图、异方差与强影响点
- 把观察数据的偏回归系数直接解释为因果效应，或外推到数据范围之外
不适用场景
因变量为二分类、多分类、计数或生存时间时不能用普通 OLS；完全共线、样本量不足以估计参数或存在未建模的非线性时，系数与诊断都不可靠。
与相近方法的区别
与简单线性回归的区别：OLS 同时纳入多个预测变量，系数是控制其他变量后的偏效应；与分层回归的区别：分层回归关注分块进入的 ΔR²，OLS 提供单个模型的完整系数、VIF 与影响点诊断。
延伸阅读：线性回归指南，系统了解该方法的适用条件、结果解读与常见误区。
想系统了解方法之间的选择逻辑，可阅读 如何选对统计方法，或查看 统计案例库 中的真实例子。本站计算结果仅供学习与教学参考，不构成专业统计建议。