逐步回归法怎么剔除变量Eviews

sbss 操作步骤讲解系列第二十三课逐步回归分析 逐步回归分析是一种筛选变量的过程，从模型中让系统自动识别出有影响的变量。逐步法运用了向前选择和向后选择法进行变量的筛选，一般情况，因自变量较多的情况下，自变量变量数超过十个。 运用逐步回归分析进行分析，排除对音变量没有影响的变量。 逐步回归分析第一步，我们将整理好的数据导入 spss 中，并复制后点击分析回归线信。 第二步，进入线性回归对话框后，将对应的变量放入对应的变量框 中后点击方法选择框里的步进。第三步，点击统计勾选置信区间二，方便画量描述部分相关和偏相关系。贡献性诊断残岔里的德宾沃森，点击继续。 第四步，点击图进入线性回归图对话框，在散点图 y 里放入 spread， 在 x 里放入 spread 后，勾选标准化残插图里的直方图，正态概率图，点击继续确定， 然后逐步回归的描述统计相关性，输入除去的变量表，模型摘要 ono 发表重要的系数表，排除的变量，贡献性诊断残差统计表、 脂肪图，正太性检验 pp 图、散点图结果就出来了。 第五步，将系数表中的结果粘贴复制到表格中，删除显著性后的部分结果后，将模型摘要的结果中的二方，调整后的二方和 annova 表中的 f 值，根据显著性标记信号放在表格的下方， 然后将整理好的结果粘贴复制到 word 文档，进行三线表的制作和文字描述。 学会了记得点赞关注哟，可带坐指导学习交流！

无论是看文献、分析数据还是作图，想必大家都离不开回归这几个字。我们常见的多重回归、 logistic 回归、 lasso 回归、 cox 回归以及逐步回归到底有什么区别呢？在什么情况下应该用什么模型呢？今天在这里为大家汇总一下这些常用的回归模型。 首先要了解回归分析的定义。回归分析是只利用数据统计原理对大量统计数据进行数学处理，并确定应变量与某些自变量的相关关系，建立一个相关性较好的回归方程及函数表达式，并加以外推，用于预测今后的因变量的变化的分析方法。 了解了回归分析的定义，然后我们从简单线性回归入手，逐步理解一下那些让你头疼的回归模型。简单线性回归模型是指一个音变量、一个自变量的模型，最典型的就是我们做实验经常会用 的标准曲线。它的模型为， y 等于 l， fi 加 bate x。 多变量线性回归或多重线性回归是有多个自变量，只有一个音变量。模型如下， y 等于 l， f， i 加 bate e， x， 一加 bate r， x， 二加 bate 三 x 三。多重现性回归与简单线性回归的区别主要是自变量的数量从图形上看不出区别。 多重线性回归的应变量必须为连续型变量，可以分析哪些因素可以影响肿瘤的大小，但不能使用其分析哪些因素可以影响老年人是否患高血压病。 logistic 回归是一种概率模型，它是以某一时间发生与否的概率屁为音变量，以影响屁的因素为自变量建立回归模型，分析某事件发生的概率与自变量之间的关系，是一种非限性回归模型。 logistic 方程式为， y 等于 beta， 零加 beta e， x， e 加 beta r， x 二加 beta 一 beta 二称为回归系数，反映了在 其他变量固定后， x 等于 e 与 x 等于零。相比，发生 y 事件的概率 o r 值越大，发生结果的可能性越大。 常用于数据挖掘、疾病自动诊断、经济预测等领域，例如探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。 logistic 回归的应变量为分类数据，一般用于二分类变量，如发病与否，死亡与否。 logistic 回归分析对样本量有一定要求，一般样本量为自变量个数的十倍，不允许有数据删。使 cox 回归可以分析多种因素对生存时间的影响。允许有山史值的存在。主要用于肿瘤和其他慢性病的愈后因素分析，也可用于一般的临床疗效评价和队列的病因探索。 cox 回归适用于带有结局的生存时间资料。单因素 cox 回归是对每个因素进行分析，多因素 cox 回 回归是将所有关键因素一起分析，逐步回归是将电量一个一个的引入或删除，引入的条件是其偏回归平方和经检验是显著的。偏回归平方和是指从多因素回归模型中删除一个自变量 x 后，回归平方减少的部分称为 x。 对外的偏回归平方和 常用的有三种方法，一向前法，每次添加一个自变量到模型中，直到增加的变量不会使模型有所改进为止。二、向后法，从模型包含所有自变量开始，每次剔除一个自变量，直到会降低模型质量为止。 三、向前向后法，变量每次添加一个，但每一步中变量都会被重新评价。对模型没有贡献的变量将会被删除。同一个自变量可能会被添加，删除几次，直到获得最优模型。通常采用 eic 准则来衡量统计模型，你和优 良性越小越好。逐步回归可用于多重线性回归。 logistic 回归即 cox 回归中变量的筛选。这里将多重线性回归， logistic 回归即 cox 回归。这三大回归的意同做了一个汇总，来加深一下印象吧。 最后一个 lesso 回归有一点特别， lesso 全称 least absolute， string kitch and selection operator， 是一种筛选变量的方法。确切来说不是回归方法，是一种压缩估计。 lezo 的思想是在传统的最小二层估计上对模型的系数施加一个惩罚。 他通过构造一个惩罚函数得到一个较为精炼的模型，使得他压缩一些回归系数及强制系数绝对直之和小于某个固定值，同时设定一些回归系数为零， 因此保留了子级收缩的优点，是一种处理具有复供线性数据的有偏估计。通常自变量数量远大于样本数量时使用该方法一般是先用 lesso 筛选出变量，之后用筛选出的变量建立 cox 回归。

逐步是回归算法 c phone 是一种在多元线性回归模型中用于变量选择的方法。该算法通过逐步引入或剔除自变量以找到最优的回归模型。这种方法的主要目的是在保持模型预测精度的同时减少模型的复杂性， 避免过度拟合并提高模型的解释性。逐步是回归算法分为向前选择 forward、 当向后剔除 record in 门卫生和逐步选择 staboic 三种策略。向前选择从没有任何自变量的模型开始，逐步添加自变量。在每一步中， 算法会计算所有未加入模型的自变量，对模型预测精度的提升程度，选择提升最大的自变量，加入模型向后剔除。从包含所有自变量的模型开始，逐步剔除自变 量。在每一步中，算法会计算所有已加入模型的自变量。对模型预测精度的降低程度选择降低最小的自变量，从模型中剔除。逐步选择结合了向前选择和向后剔除的方法。 首先进行向前选择。当新加入的自变量模型预测精度的提升不再显著时，开始进行向后剔除， 直到无法再剔除任何自变量为止。逐步是回归算法的优点包括变量选择。通过逐步选择最优的自变量组合 可以提高模型的预测精度和紧实性，避免过度拟合。通过减少不必要的自变量降低模型的复杂性，从而避免过度拟合，提高计算效率。相较于全模型包含所有自变量的模型，逐步是回归算法可以显 提高计算效率。然而，逐步是回归算法也存在一些缺点，依赖于假设逐步是回归算法。假设自变量之间是相互独立的，而实际情况下自变量之间可能存在相关性， 这可能导致算法选择的自变量组合不是最优的，容易陷入局部最优。逐步是回归算法在每一步中只考虑当前的最优选择，而可能忽略全局最优，这可能导致算法找到的模型不是最优的。 对数据敏感如果是回归算法对数据的分布和异常值敏感。如果数据存在噪声或异常值，可能会影响算法选择的自变量符合。 总之，逐步是回归算法是一种有效的变量选择方法，可以在保持模型预测精度的同时提高模型的解释性和计算效率。然而，在实际应用中，需要注意其假设和局限性，并结合具体的数据和问题选择合适的策略。

相关性完了之后，然后再进行回归，就是真正的构造方程，他们之间有一个什么样的方程的关系？怎么操作呢？ 这里啊， y 因为是应变量，我们习惯性的写，但是写成 y 等于 ax 一加 ax 二， y 是不是第一个要写？所以你 y 要第一个点，然后按照顺序点，然后直接点右击，然后这里不要点彝族打开啊，这里有一个以方程打开，点击以方程打开，这里就构造好了。方程不需要你输入任何的东西， 然后面也不需要你输入任何的东西，这是最简单的一个会方程形式，然后你直接点击默认的确定就行了。然后这里就输出了这样一个 表格，这个表格大家可以看一下。呃，我照着念一下吧，大家写的时候照着这样写就行了。就通过表格可以看到变量 x 一的估计系数就这个前面的系数为负的零点六三，然后他的 t 值是零，负的零点二零八三，然后 p 值就是零点八三， 对吧？他在百分之五的，他大于零点零五吗？所以在百分之五的显著性水平下，质变量 x 一对应变量 y 没有显著影响，就他并不是显著的，他可能概率太小了， 他能影响他的概率太小了，那是什么原因呢？嗯，咱们后面再说，有可能是因为 xr 在这里干扰他，或者是 s 三在这里干扰他，甚至 x 一他本身自身就有问题，他要被去除。然后。好，咱们再来看变量 sr， 他的估计系数为二点五八，然后他的对应的 t 值是零六点七八，然后 p 值是零点零零零， 小于零点零一，所以在百分之一的显著性水平下，质变量 x 二的应变量是显， y 是显，影响是显著的，对吧？ s 三也是这样的估计方式，大家就可以看到只有 s、 r 和长数像是显著的，其他两个变量他是不显著的，对吧？ 然后说一下这几列的关系啊，这个梯子是怎么求的的？七梯子就是系数值除以除以这个标准差 等于系梯子，然后坯子他有一个梯子的对照表，就像以查字典一样，你去百度梯子的那个借纸表，然后就可以查出坯子的这个对照像，有点类似于查字典的样式，我们不需要就是说呃，怎么去查，因为软件都给你算好了，知道他是怎么来的就行了。 然后这里，这里是调整后的啊方，啊方是什么意思？啊？方就是这几个 x 一、 s 二、 s 三他们加起来能够解释百分之多少的 y， 就这个他解释解释的力度越大越好，最大的值为一。也就是说如果 s 二、 s a 一、 x 二、 x 三，他们三个人加起来 一起解释这个外，比如说我说这个人很好，呃，他怎么好，他学习好，他大人真诚，他诚恳，他对应的就是 x 一、 x 二、 s 三。大家想一下，在日常生活中，我们说一个人好，我们能用一个 词组词汇把这个人的好能完全的概括吗？他总有遗漏吧？你说他学习好，待人真诚，呃，热情，乐于助人， 那，那别人还说他体育成绩好呢，还会篮球，打得好了，人长得帅了，会关心人了你，你后面的这些你都没有说到啊，你可能只说到了前面的 s 三呢， 但是啊，你，但是你 x 三如果解释到了百分之九十九，那说明你这三个变量已经解释的很好了。就这个意思，他越越高肯定就是越好的，但是永远都不可能唯一，因为你总有遗漏的 底下的这个 p 值，他检验的是整个模型的礼盒程度，这个这个后面的每一个系数，后面的 p 值只检验了单个的系数，然后对应的 p 值是零点零零零，小于零点零一，所以在百分之一的显著性水平下，自变量对应变量具有显著影响。这个时候说的是自变量对应变量，而不是说的某一个自变量的啊，就是说整个方程的情况。

今天教你做逐步回归分析，第一步，导入数据，选择分析方法，逐步回归。第二步，拖照样本查看结果，分析结果超清晰，可以导出多种格式，自动生成模型图供你使用。智能分析分析建议，帮助你进一步理解分析结果，你学会了吗？如有其他疑问，请在评论区告诉我。

论文存在多重贡献性？你可以这样做，一、移除贡献性变量，如果两个 x 之间相关系数大于零点八，则移除不重要的变量。二、领回归分析针对贡献性数据，领回归的耐受性远强于普通线性，最小二成回归。 三、逐步回归，逐步回归可以让系统自动识别有影响的 x。 四、主成分回归，将多个分析项浓缩成几个概括性指标，剔除对系统影响微弱的五 五偏。最小二乘法可以解决贡献性问题。能够多个因变量 y 同时分析，你学会了吗？

大家好，今天我们谈谈多元线性回归分析自变量筛选方法中的向后消除。 先了解一下多元线性回归分析中的自变量筛选，对于多元回归方程，删除不显出变量时必须逐个进行，例如 删除了某个自变量后，对于回归方程是否有重要影响，逐步回归方法已经越来越重要了。多元性性回归分析中的自变量筛选中的向后消除法。向后消除法一开始就引入全部自变量，对应批值大于指定的阿尔法指，逐个进行删除， 直至不能删除为止。看看一个分析的例子，分析温度、时间和压力三个次变量如何影响强度的分析目的，确定温度、时间、压力影响强度的最佳的回归模型。这里开始用咪咪 进行分析，在咪咪太部工作表上整理好数，进入加咪咪太部选项表中选择统计，选择回归 选择。逐步在弹出的选项中按如下方式进行选择，响应产量外一侧变量，温度、时间、 压力未进行筛选变量，按方法按钮，在弹出的选项中按如上方式进行选择。勾选后退法，这是获得的最佳的自变量影响响应变量的系数。 cp 数值越小，模型准确性越高。就谈到这，欢迎大家交流。

首先用奥斯法估计模型，输入 lsycx 回车得到最初的回归模型，点击内容保存。第二步，生成残差序列， 输入 january 等于 resid 回车。第三步，判断是否存在自相关。方法一，绘制残插序列散点图，从图上看到两个序列同时增加， 说明存在政治相关。方法二，利用残差相关图判断， 输入 idt 回车 接触默认水平， 点击 ok， pc 和 ac 中间的数字是接触，主要看 pc 下方的阴影部分是否超过虚线，超过虚线说明存在自相关。 本力中阴影部分超过虚线所对应的接触为一，说明存在一阶自相关。 方法三、 dw 检验，从回归结果得到 dw 等于零点六七四，样本容量三十七自变量一， 查 dw 表，查在零点零五显著水平下， n 等于三十七 k 等于一的值。如果 dw 小于查到的 dl 值，则存在一些政治相关。方法是 am 检验。在回归方程 门窗口选择 airm test 之后接触默认，也可以随意选择。如果 r 平方所对应的 p 值小于零点零五，则存在自相关。 右下面的 residy 要职为证，所以存在一阶政字相关。第四步，字相关处理方法，利用广义差分法输入 lsycx。 二、一回车， 得到广义查分方程实质后的版本会出现西格玛， 在 estimate 选择 options， message 选择 gls， 此时西格玛已删除，现在得到了最终模型结果。

回归系数不显著原因及解决办法原因一，多重贡献性当位数值大于十，严格大于五，认为存在贡献性问题。解决办法一，移除贡献性变量。二、使用领回归三、使用逐步回归四、 使用 lesso 回归五、增大样本量等。原因二，存在异常值。异常值可通过描述分析、镶线图、散点图等进行判断。异常值处理方法一、 示威 note 值。二、填补法三叉指法。四、使用 robust 回归方法。原因三，假设不成立线性回归，需要满足线性、独立性、正态性方插旗等前提条件，若不满足可能影响分析结果。你学会了吗？

哈喽，大家好，那么上期视频给大家分享过中介效应，但是上次的教学数据呢，是很简便数据，然后很多人留言说想看看面板数据的中介效应，其实总体思路和步骤都是一样的，只是具体操作稍微有区别， 那么今天这期视频就一起来学习一下面板数据的中介效应。那么右边依然是我常用的一个呃面板教学示范数据，然后我的个体 id 年份页，然后 y x x r 这样子。 呃，左边的仍然是我这一期会用到的一些呃代码，到时候我也会放在知乎文章里面或者是评论里面。嗯，首先呢，呃，我们第一想介绍面板数据中介效应的第一种方法就是最简单的逐步 回归，那由于面板数据有时间和个体，所以呢，最小二乘法是肯定不行的，所以我一般也不说不行，只是我习惯了使用多维固定效应。那么其实具体使用哪一种？ 呃，具体的回归模型我们可以自行安排。呃，简单的就比如说我上期视频分享的几种固定效应模型，呃，我这里呢，以多为固定效应进行示范。 呃，我的数据中，我假设的是我的中介变量是 x 一，自变量是 x r， 然后控制变量是 x 三，这是我，这是我假设的中介变量 m 是 x c， 所以首先我们要呃，首先我们跑的第一个回归应该是自变量 x 对 y 的一个影响，也就是要检验系数 c， 那这里呃 a b c c 撇这个呃，具体的大家可以看我上一期的中介效应的视频，讲的比较详细一些，那这里呢，我就直直接略过，然后我们直接直接跑代码，然后给大家解释结果。 我们先检验系数 c， 然后把这个模型先保存下来。我们跑完一个先别着急，看它的结果，就是一般是要把这三个的跑逐步回归，跑完之后，然后放在一起看这个结果。 我们再来检验一下自变量 x 二对中介变量的一个影响，刚才检验的是自变量 x 二对 y 的影响，接下来检验，接下来是检验 x 二 自变量 x r 对中介变量 x 一的一个影响，然后我们把这个模型的结果保存一下，嗯，接下来呢，最后就是，呃，加入了中介变量之后，那么 x， 也就是说控制中介变量之后，我们自变量 x r 对 y 的一个影响， 那 x 三是因为是控制变量，所以我每步骤都放进去了，然后这样我们的 a、 b、 c、 c 片儿结果基本上都出来了。然后我们把这三个模型的结果导出来，然后放在一起看 s step 命令的话我也讲过好多次了，在我的视频里面也有教学视频，大家可以自行去学习。我们看一下这三个结果，我们可以看到这里，呃，因为我命名的时候，我第一个模型抛的是 s 三，我们不看，因为 s 三是控制变量，所以我们这边容易都忽略掉。然后我们看，呃，第一个模型是 x 二对 y 的一个影响，也就是我们的系数 c， 我们的系数 c 是不显著的。然后接下来我们看第二个模型，第二个模型主要是检验 x 二对 x 一， x 一是什么？是我的中，是我的中介变量，然后 x 二对中介变量的影响，我们是称为系数 a， 大写区分一下，然后是我们的系数 a。 接下来呢，我们在控制了中中介变量中介变量 x 二之后，我们的呃，不是控制了中介变量 x 一之后，我们的自变量 x 二对对 y 的一个音响，那么这里，那么这里就是我的 系数 c 撇儿，这里 x e 对 y 的影响，也就中变量的中介变量对 y 的影响是我的系数 b。 那么至此呢，我的系数 a， b， c， c 撇儿结果都出来了，那么很明显，我这个结果呃， c 撇不显著，我的 a、 b， 我的只有一个 b 是显著的，那么这个明显结果是不存在中介效应的，因为我们可以看到 x 三是中介，是控制变量，我们正确不看，我们把它删除吧。 然后首先看看 x 二，呃， x 二对 y 的印象，不显著，也就是系数 c 不显著。接下来是 x 二对中介变量 x 二对中介变量 x e 也是 不显著，也就是系数 a 也不显著。最后呢，控制了中介变量 x 一之后，那么我的自变量 x 二对 y 也是不显著的， c 撇也是不显著的。但是我的中介变量 x 一对 y 显著， b 显著，但只有一个 b 显著，是也是无法 真实真实中介效应的存在的，所以，呃，结果就是不存在中介效应。 那么这这一种是逐步回归模型，嗯，大家就根据 a、 b、 c、 c 片来看就可以了。嗯，最好的结果就是 最好的中介结果，也就是我的 a、 b 都显著， c 也显著，但是 c 撇不显著。那么这种情况呢，就是一呃 c 撇，嗯， c 撇不显著，那么这就是一个完完全中介。如果 c 撇显著，那 就是部分中介， 那么介绍完了第一种逐步回归模型，那么，呃，接下来重点介绍后面两种回归模型。第二种呢，系是我们的系数乘级法，也叫我们的苏贝尔检验，然后这里，这里是他用的一个代码， 因为在这个，嗯，这里是 y， 然后 m v 里面放的 m 是指中介变量， i v 里面的 x 放的是我的自变量 x， 那么 c v 里面放置的是控制变量，嗯，对于面板数据，我们还可以 控制它的个体和时间虚拟变量，嗯，这里我们要注意的就是因为这个 c v 里面是不能用 i 点 i d， i 点 province 或者是 idea bank， 银行或者是什么来生成虚拟变量，只能手工生成，所以我们只能以这样的方式来生成我们的个体的虚拟变量，大家这里可能要注意一下， 那么对于我的数据，我首先是应该先生成呃，个体的虚拟变量，如果你要控制个体的话，你要先用这种方式来来生成个体的虚拟变量。 我的个体是 id， 所以我直接输入这个代码，如果你的个体，比如说是 province， 你就 id 改成 province 就可以了。 我，因为我是三十一个省份，所以我生成的虚拟变量就是 id 一到 id 三十一，所以我在这里输入我的，嗯，所以我在这里输入我的代码的时候，我， 我这里我的应变量是 y， 然后 mv mv 自变量是 x c， 不好意思， mv 里面放的是中介变量，我是 x c， 然后 iv 是放的自变量，我是 x r c v 控制变量，我放的是 x 三，然后我觉我还要控制 个体，所以我还要放 id 一的 id 三十一，因为我有三十一个 id， 我是三十一个省。然后后面这个 credit 女士表示不显示逐步回归的结果，也就是不显示这个上面的这个 a、 b、 c、 c 片儿这些结果， 因为我们只需要看最终的那个叙述成绩法的那个检验结果书通过就可以了，这个是比逐步回归更加一目了然的。我们直接跑代码， 这里，呃，这里，呃，中间这一部分应该会首先出出现一系列的逐步回归，因为 我加了这个，所以不显示，然后我们直接看这个结果，首先是看这个这个检验结果，这里的皮质是显示我是否存在终结效应，很明显这里不显著是不存在的。然后接下来我们再看一下这个，呃， indirect 就是这里，这代表的是间接效应，然后 direct 是 是直接效应，这边是总效应，那么最主要的是要看这个 propertion， 这里就是中介效应所占的一个比例，有中介效应，我这里占的比例才百分之天呐，才才百分之二，所以特别低，基本上是不存在的。 百分之二点三九，很低很低，所以在我这个呃，在我这个系数成绩法检验中，我的中间效应也是不存在的。 那么这就是第二种方法，也相对来说是比较简单的。需要注意的只是这里加入了控制变量，不能用 idid 生成，要先生成个体的虚拟变量，然后到时候会把代码放在文章里面，大家跟着呃，这个代码一点点的跑打，应该就是会比较简单一些。 接下来呢，我们重点介绍第三种方法，自助法，不 strap， 用这种方法是一种制性区间的方法，是通过 a b 制性区间来判断中介效应 a b a 系系数 a b 就是一种间接效应。 那么知性区间的优势就在于他不仅能够判断中性中介效应的有误，而且我们知性区间的一个宽度嘛，还可以提供中介效应大小变异的信息，那么给出的是一个呃，一个大，一个一系列科 可能的值，而不是一个唯一值。那么这个是前面的检验方法所无法提供的，但是这种检验方法的前提也是正态分布，然后这个检验我们主要看的就是 indirectifact 间接效应和直接效应，当我们所看的就是一个间接效应， 呃，那废话不多说，我们直接就跑代码，然后呃根据结果来给大家进行解释吧。那么这边就是我的代码呃我的应变量 y， 然后 mv 里面的 x 一是我的一个中介变量， xiiv 里面放的是自变量 xcv 里面放的是一个控制变量 x， 嗯，接下来我们直接就哦，我因为我前面跑系数成绩法什么的，我都控制了一个个体的虚拟变量，所以我在这里也应该再加上我的个体。 然后接下来我们直接就泡这个代码， 这个代码好像跑的的确就比较慢，而且它呃容易不稳定，这个 boost trial mini 有时候不稳定可能会出现一定的错误，我们一般用高一点的版本，或者是稍后再重启 slater 再试一下，我有时候也会出现这种情况， 那么这种 bosstrap 呢？与其他的一个中介效应的检验方法来说，呃具有一个更高的一个统计效力，嗯，那么这也是有文献佐证的。大家在写文章的时候，比如说要用这种方法的话，可以找一下相关的文献进行一个 引用。 那么这个方法的结果判断主要就是根据一个间接效应 a、 b、 c 数的一个执行区间是否包含零，来判断中介效应是否成立。 那么如果它包含零，则是中介效应是不显著的，那么 a b 有，可 a、 b 的成绩有可能是为零，所以我们是不能证明存在中介效益的，如果不包括零，则中介效应是显著的。 那么很多人为什么都会问，为什么包括，为什么包括你就不显著，不包括你中学效益就显著呢？嗯，那么这个原理的话，呃，其实网上有很多的文献或者一些文章都有都有说，然后大家可以去学习一下， 我这里就不过多赘述了，然后这里我们可以看到他跑出来了，嗯，然后这里的 b x c indirective back 就是我们要找的一个间接效应。 direct 就是直接效应，那么主要就是看 b、 s、 e 这边的一个直行区间啊，很明显我这里的直行区间怎么样？是包括你的，说明我们的这个中介效应是不显著的。我们或者我们跑一下这个，看一下详细的直行区间， 我们可以看到这里 n 代表的是什么？ p b、 c 主要是看这个 p 是一般的直行区间 b、 c 这里是一个偏差矫正的一个偏差，偏差矫正的一个直行区间，我们可以看到这边四个直行区间基本上都是怎么样， 包括你的，说明我们的中介效率是不显著的，那么跟我们前面的两种方法的检验结果是一致的，我们主要就是看这个 bse 这个 性区间是否包括零，然后如果是包括零，说明中介效应是不显著的，我这个结果就是不显著的。如果这边的中介效应呃不包括零，则我们的中介效应是显著的。那这里有很多人还会问一个问题，就是我们可以看到前面这个 b s e 这个 bs， 它提示的是 indirect 间接效应 bx 直接效应，那么我们这边的间接效应是不显著的。嗯，在这个不 strap 这个命令命令的情况下，我们主要就是看它的一个直线区间，呃，一般这里呃就是有一些， 就是有时候我们会出现，比如说我们的呃直接我们的间接效应 bs 一，他这里的屁值是呃是不显著的，但是他这里的置信区间呢？又怎么样？不包括你，那我们的中介效应是 显著还是不显著的呢？呃，大部分，我看到文献大部分都是还是会以执行区间为主，然后只要他不包括你，我们就能证明，呃，终极效应是就是在这种检验的前提下，证明终极效应是显著的，重点还是会看这个执行区间。 当然这也不是说绝对的，我只是嗯有一些疑问，然后也在这里 呃，说一下我，大家如果有不同的看法的话，或者有一些嗯，有一些更多的一些发现，可以在我的评论区留言，大家一起呃学习进步。嗯，那么今天这期视频我就到这里结束了，非常感谢大家的支持。

统计建模常用回归分析方法七类回归方法对比说明如下， like a face 以逐步回归为例，在 special 系统中选择逐步回归，拖拽数据至右侧分析框，选择进入方式，点击开始分析， 经模型自动识别，最终只保留了两个变量在模型中分析结果解读可以参考 special 智能分析， 你学会了吗？