在线性回归分析中，若检验的结果为不显著，可能原因是什么

1、残差均方大。包括测量误差大，模型外有显著因子，误差自相关，或者真实不显著项未并入残差均方中。

2、共线性。方差膨胀因子太大。

3、该因子取值范围或波动范围太小，导致效应小。

4、模型外因子与该因子存在交互作用，把因子效应抵消。

5、该自变量因子存在测量误差，或记录与实际不符。

6、未做残差诊断，违反稳定，正态，独立，等方差假设，或有异常值未处理。

7、数据太少或抽样量太小，偶然性导致的。

8、手动计算错误。

扩展资料：

线性回归分析注意事项：

在应用相关和回归分析时，一般分为定性分析和定量分析两个阶段，其中定性分析虽然并不复杂，但也及其重要。通过定性分析，我们来判明分析的变量之间是否存在相互依存关系，而后才能转入定量分析。需要指出的是，不能不加分析地，将两个变量凑合在一起进行定量分析，这样往往会得出虚假相关的结论。

利用拟合的数学表达式所取得的回归方程，均是在一定范围内的有限资料计算得到的。理论上来说，其有效性只适用于该范围内，不适用于该范围外，即只适用于内插推算，不宜用作外推预测。

线性回归时候，相关系数只是表明了各个系数之间的相关程度。但是自变量对因变量不显著的话，可能存在多重共线性、数据存在异常值、异方差的问题。

1、自变量存在共线性问题

在进行线性回归分析时，很容易出现自变量共线性问题，通常情况下VIF值大于10说明严重共线，VIF大于5则说明有共线性问题。当出现共线性问题时，可能导致回归系数的符号与实际情况完全相反，本应该显著的自变量不显著，本不显著的自变量却呈现出显著性。

解决方法：手动移除出共线性的自变量，先做下相关分析，如果发现某两个自变量X（解释变量）的相关系数值大于0.7，则移除掉一个自变量（解释变量），然后再做回归分析。逐步回归法，让软件自动进行自变量的选择剔除，逐步回归会将共线性的自变量自动剔除出去。

2、数据存在异常值，如果数据中存在极端异常值，会导致数据偏移对分析结果产生严重影响。如果回归分析出现各类异常，可通过比如描述分析、箱线图、散点图等方法，找出并处理掉异常值后再做分析。

解决方法：查看数据中是否有异常值，可通过箱线图、散点图查看，剔除异常值可通过SPSSAU“异常值”功能进行剔除。

3、异方差，如果模型存在明显的异方差性，会影响回归系数的显著情况，得到的回归模型是低效并且不稳定的。

解决方法：保存残差项，将残差项分别与模型的自变量X或者因变量Y，作散点图，查看散点是否有明显的规律性。如果有明显的异方差性，建议重新构建模型，比如对Y取对数后再次构建模型等。

如果排除了这些原因还是不显著，那么基本说明该变量对被解释变量无显著影响。

扩展资料

在做实证就是做回归等等方法的时候，一般就看中三点，一是相关系数，看因变量和自变量是否相关。二是拟合优度（R平方），看回归方程拟合的好不好，一般0.8以上就算拟合的比较好了。

三是自变量的系数对于因变量是否显著啦，P值小于0.05就说明自变量对于因变量是显著的。如果自变量的P值都比0.05大，那就说明自变量对于因变量是不显著的，这个自变量就没什么意义，所以如果变量比较多的情况下，还是做一下逐步回归。

如果变量比较少，做逐步回归就会导致最后有可能只剩下一个变量。逐步回归就是一个模型优化的过程，更加能解释自变量和因变量之间的关系，一般回归之后效果不好都要逐步回归来优化线性模型的。

---