一文详解回归分析的探索、分析、检验阶段，以Stata和SPSS为例

回归分析三阶段逻辑框架总览

阶段	核心目标	主要任务与内容	为何重要？
1. 探索阶段	了解数据，为建模做准备	数据清洗、描述性统计、可视化、初步探索变量关系	确保数据质量，形成初步假设，避免“垃圾进，垃圾出”
2. 分析阶段	建立模型，估计参数	执行回归命令，解读系数、显著性、拟合优度（R²）	得到核心结果，量化变量间的数量关系，检验主要假设
3. 检验阶段	评估模型，验证假设	检验多重共线性、异方差性、自相关性、模型设定误差等	保证统计推断的可靠性，确保模型结果稳健可信

第一阶段：探索阶段 - 奠定基石

在跑回归之前，盲目地将数据投入软件是最大的忌讳。此阶段的目标是深入了解你的数据。

1. 数据清洗与准备

• 概念：处理缺失值、异常值，生成新变量（如取对数、创建虚拟变量等）。

• 操作：

  • Stata:

    • describe, codebook, missing // 查看变量概况和缺失值

    • summarize, detail // 查看详细统计量，识别异常值（如极端最大/最小值）

    • tabulate x, missing // 分类变量的频数统计（包含缺失值）

    • generate ln_x = log(x) // 生成新变量（如对数化）

    • recode x (1/5=1 "Group1") (6/10=2 "Group2")... // 数据编码

  • SPSS:

    • “分析” -> “描述统计” -> “频率”、“描述”

    • “转换” -> “计算变量”（用于生成新变量）

    • “数据” -> “定义变量属性”

2. 描述性统计

• 概念：用数值概括每个变量的分布特征，如中心趋势、离散程度。

• 操作：

  • Stata: summarize (缩写 su)

  • SPSS: “分析” -> “描述统计” -> “描述”

3. 可视化与关系初探

• 概念：通过图形直观感受变量间的潜在关系，判断线性趋势是否成立。

• 操作：

  • 散点图矩阵：同时查看多个变量两两之间的关系。

    • Stata: graph matrix y x1 x2 x3

    • SPSS: “图形” -> “图表构建器” -> 选择散点图矩阵

  • 单独散点图：重点关注因变量Y和核心自变量X的关系。

    • Stata: scatter y x 或 twoway (scatter y x) (lfit y x) //（同时添加拟合线）

    • SPSS: “图形” -> “图表构建器” -> 选择散点图并添加拟合线

  • 相关系数矩阵：量化变量间的线性相关程度。

    • Stata: pwcorr y x1 x2 x3, sig star(0.05) // (sig显示p值，star加星号）

    • SPSS: “分析” -> “相关” -> “双变量”

本阶段输出：干净的数据集、描述性统计表、关键图表、对变量关系的初步判断。

---

第二阶段：分析阶段 - 核心建模

此阶段执行回归模型，并解读最直接的统计结果。

1. 模型执行

• 概念：使用最小二乘法（OLS）等进行参数估计。

• 操作（以OLS为例）：

  • Stata: regress y x1 x2 x3 i.cat_var // i.前缀表示cat_var为分类变量，Stata会自动生成虚拟变量。

  • SPSS: “分析” -> “回归” -> “线性”

2. 结果解读（关注三方面）

• 系数与显著性（Coefficients & p-values）:

  • 概念：系数衡量了在控制其他变量不变的情况下，X每变动一单位对Y的平均影响。p值（通常看P>|t|）用于判断这种影响是否在统计上显著（通常以p<0.05为界）。

  • 解读：“在5%的显著性水平下，x1每增加一个单位，y平均增加/减少 [系数值] 个单位。”

• 拟合优度（R-squared & Adj R-squared）:

  • 概念：R²表示模型所能解释的Y的变异占总变异的比例。调整R²考虑了自变量个数的影响，更稳健。

  • 解读：“模型中的自变量共同解释了Y约 [R²值*100]% 的变异。”切忌盲目追求高R²。

• 模型总体显著性（F-test）:

  • 概念：检验所有自变量的系数联合是否显著不为零（即模型是否整体有用）。

  • 解读：如果F检验的p值（Prob > F）小于0.05，说明模型整体是显著的。

本阶段输出：回归结果表，包含系数估计值、标准误、t值、p值、R²、调整R²、F统计量等。

---

第三阶段：检验阶段 - 保驾护航

这是最容易被忽略但至关重要的阶段。OLS回归建立在一系列经典假设之上，此阶段就是检验这些假设是否被违反。

1. 多重共线性（Multicollinearity）

• 问题：自变量之间高度相关，导致系数估计不准、标准误膨胀、结果不稳定。

• 检验方法：

  • 方差膨胀因子（VIF）: VIF > 10（严格标准是 > 5）表明存在严重多重共线性。

  • Stata: 回归后运行 vif

  • SPSS: 在线性回归对话框中勾选“共线性诊断”，结果会输出VIF和容差。

• 处理：移除相关性高的变量之一、合并变量、主成分分析（PCA）、增大样本量。

2. 异方差性（Heteroscedasticity）

• 问题：随机误差项的方差随观测值变化而变化，导致系数的标准误估计有偏，从而影响显著性检验（t检验和F检验）的有效性。

• 检验方法：

  • Breusch-Pagan / Cook-Weisberg 检验:

    • Stata: 回归后运行 estat hettest 或 hettest

    • SPSS: 暂无内置一键操作，可通过绘制标准化残差与预测值的散点图初步判断（应无趋势）。

  • 图形法：残差与预测值的散点图，若散点呈喇叭口、漏斗形等，则提示存在异方差。

    • Stata: rvfplot (残差与预测值图)

• 处理：使用稳健标准误（Robust Standard Errors）。

  • Stata: 在回归命令后加 , robust，如 regress y x1 x2, robust

3. 模型设定误差（Specification Error）

• 问题：模型函数形式错误，例如遗漏了重要变量、或应为非线性关系却用了线性模型。

• 检验方法：

  • Ramsey RESET 检验：检验模型是否遗漏了高阶项（如平方项、交互项）。

    • Stata: 回归后运行 estat ovtest

  • 图形法：残差与预测值/某个自变量的散点图，若显示非线性 pattern（如U形曲线），则说明模型设定可能有问题。

• 处理：根据理论和图形提示，在模型中加入平方项、交互项或对变量进行转换（如取对数）。

4. 正态性（Normality of Residuals）

• 问题：残差严重偏离正态分布会影响系数显著性检验在小样本下的有效性。大样本下（中心极限定理）此假设重要性下降。

• 检验方法：

  • 图形法：绘制残差的直方图或Q-Q图。

    • Stata: predict r, residuals -> hist r -> qnorm r

  • 统计检验：Shapiro-Wilk 检验、Kolmogorov-Smirnov 检验。

    • Stata: swilk r

• 处理：如果因变量严重偏态，可尝试对其进行变换（如对数变换）。

本阶段输出：各种检验的统计量和p值、诊断图表。根据检验结果，你可能需要返回分析阶段甚至探索阶段，修改模型（如加入新变量、改变函数形式、使用稳健标准误），然后再次进行分析和检验，直到得到一个满意的、符合假设的模型。

总结与工作流

回归分析是一个迭代过程：

1. 探索数据 -> 形成初步模型设想。

2. 执行回归 -> 得到初步结果。

3. 检验诊断 -> 发现模型问题（如异方差、非线性）。

4. 根据诊断结果，返回第1步或第2步：修改数据（如处理异常值）、转换变量、增加/减少变量、改变估计方法（如使用robust）。

5. 重复此过程，直到得到一个理论上合理且统计上稳健的模型。

6. 报告最终结果。

始终记住：统计显著性不等于经济学/实务显著性，模型的解释力比复杂的技巧更重要。 理论永远是模型的指南针。