我使用SPSS进行多次线性回归并每次应用不同的过滤器以比较不同的组。对于许多过滤器，我只用13个观察值拟合回归，但是15或24个解释变量。在这些情况下，SPSS将给我一个包含12个beta的模型，并将排除其余变量（我认为这主要是我认为）。
任何人都可以告诉我SPSS如何选择要排除的变量以及这些变量告诉我的变量＆＃39;对依赖的影响（即贝塔是什么）？我原本以为我应该将这些变量视为零测试，但我不确定了。
提前感谢您的帮助！
拜托，没有任何评论只告诉我，对13个观察结果进行回归是非常愚蠢的。如果您有一些有用的见解，需要您首先指出13回归的回归不太理想，我很高兴听到您的声音。
答案 0 :(得分：0)
当模型完全适合时，你很可能无法获得有用的结果和很少的观察结果。查看系数标准误差。你可能最好使用像偏最小二乘（PLS）这样的技术，它可以容纳比案例更多的变量。统计中的PLS可以通过扩展命令（Analyze＆gt; Regression＆gt; Partial Least Squares）获得，但是，它需要在Python Essentials之外安装一些额外的库，这些库通常与Statistics一起安装。如果您想要这样做，请参阅安装说明。
对于哪些变量将使用回归省略，选择完全是任意的，因为除非完全共线性，否则任何N个变量（包括常数项）将在N个案例中给出完美拟合。