逐步回归（Stepwise Regression）

Q: 逐步法和强制进入法（Enter）有什么区别？

强制进入法把研究者指定的所有自变量一次性全部放入模型，不做任何筛选，适合已有理论依据或假设驱动的研究。逐步法（含向前/向后/逐步三种变体）则让算法根据p值阈值自动决定哪些变量留在模型里，适合变量较多而理论依据不足的探索性研究。两者本质区别在于：谁来决定变量进出——是研究者还是算法。

Q: 逐步回归的结果可靠吗？

逐步回归结果的可靠性存在争议。主要风险有三：一是过拟合，模型高度拟合当前样本但泛化能力弱；二是p值膨胀，多次检验导致误报率被低估；三是结果不稳定，样本微小变化可能导致入选变量集合完全不同。因此逐步回归更适合探索性分析或大样本（n:p建议20:1以上）的变量初筛，而非用作最终解释性模型。重要结论需在独立样本上验证。

Q: 向前法和向后法哪个更好？

没有绝对的优劣之分，取决于研究背景。向前法从空模型逐步添加，计算效率高，适合候选变量极多但显著变量预计较少的情形。向后法从全模型逐步删除，能考虑变量间的联合作用，在样本量足够时通常被认为更稳健；但若自变量数量接近或超过样本量，全模型无法估计则无法使用向后法。逐步法综合两者，但多次检验带来的p值问题更严重。实践中最好三种都跑一遍，比较结果差异，差异大则说明模型不稳定。

Q: p值阈值（进入标准/移出标准）设多少合适？

chatspss默认进入标准p_enter=0.05、移出标准p_remove=0.10，这也是SPSS的默认值，是学术界最常用的设置。进入标准比移出标准严格可防止变量在模型中反复进出（振荡）。若追求更严格的筛选可将p_enter设为0.01；若候选变量很多且样本量充足，可适当放宽至p_enter=0.10。论文中必须报告所使用的阈值。

本页聚焦点：本页专门讲解"如何在多个候选自变量中自动筛选显著变量"这一子主题——向前法、向后法、逐步法三种筛选策略的区别、使用时机与注意事项。回归模型本身（系数解读、R²、F检验）的基础内容请参阅回归分析。

什么时候需要变量筛选？

在标准回归分析（强制进入法）中，研究者把所有理论上相关的自变量一次性放进模型。但当候选变量较多（例如问卷有 20 个潜在预测因子），或研究处于探索阶段还没有明确的理论依据时，逐步回归提供了一种数据驱动的变量筛选思路：让算法按照 p 值规则自动决定哪些变量进入、哪些被剔除。

典型使用场景：

候选自变量 10 个以上，无法全部基于理论取舍
数据预处理阶段，需要从大量指标中初步锁定关键预测因子
构建预测模型（非解释模型），追求更精简的变量集合
与分层回归结合，先用逐步法筛变量，再用分层法验证理论模型

三种变量筛选策略对比

逐步回归不是单一算法，而是三种策略的统称，选择不当会直接影响结果质量：

策略	英文名	起点	运作方式	适合场景	主要风险
向前法	Forward	空模型（仅截距）	每轮把 p 值最小且满足进入标准（p < 0.05）的变量添加进来；直到没有变量满足条件为止	候选变量极多、预计显著变量较少；计算效率高	早期进入的变量会影响后续变量的筛选；变量一旦进入不会被剔除
向后法	Backward	全模型（所有变量）	每轮把 p 值最大且满足移出标准（p > 0.10）的变量剔除；直到所有剩余变量均显著	样本量充足（n:p ≥ 20:1）；更能考虑变量间联合作用；通常被认为比向前法稳健	自变量数接近样本量时全模型无法估计
逐步法	Stepwise	空模型	结合向前和向后：每添加一个变量后，重新检查已有变量是否仍显著，不显著则剔除	默认推荐，兼顾添加与剔除；chatspss 默认方法	多次检验使 p 值膨胀；结果最不稳定，样本敏感性最高

      进入标准 vs 移出标准：进入标准（p_enter）必须比移出标准（p_remove）更严格，否则变量可能反复进出模型（振荡现象）。chatspss 默认设置：进入 p < 0.05，移出 p > 0.10，与 SPSS 一致，符合学术惯例。
    

用 chatspss 做逐步回归（一句话）

上传数据后，在对话框输入以下格式的指令，chatspss 会自动调用 stepwise_regression 工具，按 p 值规则筛选变量并生成结果表：

      "用逐步回归筛选预测GPA的显著变量，候选自变量包括：课时数、自习时长、睡眠质量、压力感知、社交时间"
      
      "用向后法做逐步回归，分析哪些营销因素显著影响复购率，进入标准设为0.01"

支持的参数（可在指令中直接描述）：

method："stepwise"（默认）、"forward"（向前法）、"backward"（向后法）
p_enter：变量进入模型的 p 值阈值，默认 0.05
p_remove：变量移出模型的 p 值阈值，默认 0.10

输出结果怎么读

逐步回归输出与普通回归类似，但有两个专属关注点：

最终模型变量列表：只显示通过筛选的显著变量，已被剔除的变量不会出现。这是逐步法与强制进入法最直观的区别。
迭代过程记录：记录每一轮哪个变量被加入或移出，以及该轮的 R²、F 变化量——这是判断模型收敛过程是否合理的依据。
R² 和调整 R²：整体模型解释力；逐步法因剔除不显著变量，调整 R² 通常比强制进入法更高或相当。
VIF（方差膨胀因子）：最终模型的共线性诊断，VIF > 10 提示共线性问题，即便变量通过了 p 值筛选也需警惕。详见共线性诊断。
标准化系数（Beta）：消除量纲，可直接比较最终入选变量的相对重要性。

逐步回归的争议与注意事项

重要提示：逐步回归是统计学界争议较大的方法之一，许多顶级期刊不建议将其作为主分析方法。了解这些局限，才能正确使用它。

1. 过拟合风险

逐步法高度"迎合"当前样本的随机波动，最终模型往往在训练数据上表现良好，但在新数据上预测能力明显下降。变量越多、样本量越小，过拟合越严重。建议：样本量至少是候选变量数的 20 倍以上；若目的是预测，应在独立测试集上验证模型。

2. p 值膨胀（多重检验问题）

每次变量进出都是一次假设检验。逐步过程中进行了数十次甚至上百次检验，但最终报告的 p 值没有经过校正，导致误报率被严重低估——即"找到显著结果"的概率远高于 5%。这是逐步回归最核心的统计缺陷。

3. 结果不稳定

同一数据集，添加或删除几个样本、调整 p 值阈值，入选变量集合可能完全改变。若两种筛选策略（向前/向后）的结果差异很大，说明该数据的"信号"不够强，慎重解读任何一个版本的结论。

4. 不适合因果推断

逐步回归是数据驱动的，它只告诉你"在这批数据里哪些变量和结果相关且有统计显著性"，并不能替代理论驱动的因果分析。在解释性研究（如验证某个机制）中，应优先使用强制进入法，依据理论选择变量。

适合这样用，不适合那样用

场景	推荐？	说明
探索性研究、变量初筛	适合	帮助从大量候选变量中缩小范围，后续用理论驱动方法验证
大样本预测模型构建	适合	n:p ≥ 20:1，目的是获得精简预测模型，结合测试集验证
论文核心假设验证	谨慎	需说明使用逐步法的合理性，并用稳健性检验补充
小样本（n < 100）	不推荐	结果极度不稳定，过拟合风险极高
因果机制解释	不推荐	应使用理论驱动的强制进入法或分层回归

常见问题（FAQ）

Q：逐步法和强制进入法（Enter）有什么区别？

强制进入法把研究者指定的所有自变量一次性全部放入模型，不做任何筛选，适合已有理论依据或假设驱动的研究。逐步法让算法根据 p 值阈值自动决定哪些变量留在模型里，适合候选变量较多而理论依据不足的探索性研究。本质区别：谁来决定变量进出——研究者还是算法。

Q：逐步回归的结果可靠吗？

有条件的可靠。主要风险有三：一是过拟合，模型高度拟合当前样本但泛化能力弱；二是 p 值膨胀，多次检验导致误报率被低估；三是结果不稳定，样本微小变化可能导致入选变量集合完全不同。因此逐步回归更适合探索性分析或大样本的变量初筛，而非用作最终解释性模型。重要结论需在独立样本上验证。

Q：向前法和向后法哪个更好？

没有绝对优劣，取决于研究背景。向前法从空模型逐步添加，计算效率高，适合候选变量极多但显著变量预计较少的情形。向后法从全模型逐步删除，能考虑变量间的联合作用，样本量足够时通常更稳健；但若自变量数接近样本量，全模型无法估计则无法使用向后法。实践中最好三种策略都跑一遍，比较结果差异——差异大则说明模型不稳定。

Q：p 值阈值（进入标准 / 移出标准）设多少合适？

chatspss 默认进入标准 p_enter = 0.05、移出标准 p_remove = 0.10，这也是 SPSS 的默认值，是学术界最常用的设置。进入标准比移出标准严格可防止变量在模型中反复进出（振荡）。若追求更严格的筛选可将 p_enter 设为 0.01；若候选变量很多且样本量充足，可适当放宽至 p_enter = 0.10。论文中必须报告所使用的阈值。

Q：逐步回归和共线性有什么关系？

共线性（多重共线性）是指两个或多个自变量之间高度相关。逐步回归无法解决共线性问题——当变量间存在高共线性时，变量筛选结果会更不稳定（两个高相关变量可能只有一个被选中，而选哪个具有随机性）。建议在做逐步回归前先排查共线性，详见共线性诊断。