构建线性回归必须满足一定的条件，主要包括：
1、2、3在之前一讲已经有所提及，今天介绍第四点的重要性及其诊断方法。线性（Linear）、正态性（Normal）、独立性（independence）、方差齐性（Equal Variance），俗称LINE，是线性回归分析的四大前提条件。LINE条件往往采用残差分析的方法来诊断。若你要掌握线性回归，残差分析必须得学会的基本技巧。线性回归模型构建是否成功，用什么来评价也是重要的内容。SPSS一般来说统计分析时会产生两个指标，R^2和方差分析的P值，本文同时展开介绍。
这篇推文将全面介绍多因素线性回归的一些细节处理方法，请不要错过。篇幅较长（约6000字），请耐心阅读。例1：研究究高血压患者血压与性别、年龄、身高、体重等变量的关系，随机测量了32名40岁以上的血压y、年龄X1、体重指数X2、性别X3，试建立多重线性回归方程。数据文件见mreg2.sav。
本题应该考虑多因素回归分析方法，结合SPSS得到以下的分析结果：从表格结果来看，年龄对血压的影响的存在着统计学差异（b=1.24，P<0.001）；男性相对女性，提高了血压值（b=-8.721，P=0.002），体重指数对血压的影响的没有统计学差异（b=0.509，P=0.052）。线性回归分析，建模型不够，还得包括模型的总体拟合效果评价，模型条件的诊断。若模型诊断和评价结果不理想，上表的结果可能毫无意义。
学过医学统计学的往往都知道，不是所有定量数据都可以开展线性回归的，线性回归模型有一些适用条件，简称LINE：线性（L）、独立性(I)、正态性(N)、方差齐性（E）。在这里，我首先严肃纠正一直以来对LINE四个条件的错误理解。很多教材对线性回归LINE语焉不详。给学习统计学带来很多的误导！这种说法本身没错，但没把事情讲清楚，非常容易造成学生的误解。
线性：解释变量X和反应变量Y必须要有线性关系吗？不是！只有当X是定量数据或者等级数据（不设哑变量）时，才要求X与Y有线性的关系。当X是二分类或无需多分类，没有线性条件的要求。独立性：要求Y各观察值相互独立吗？ 不是，是要求残差是独立的。正态性：要求Y各观察值正态分布吗？ 不是，是要求残差正态分布。方差齐性：要求不同的解释变量X时，反应变量Y方差相等吗？没错，但是对于多因素回归分析，更加合理的理解是在不同Y预测值情况下，残差的方差变化不大。线性回归按自变量数量的多少可以分为：简单线性回归和多重线性回归。简单线性回归只有一个自变量，数学上表达为一元一次函数。其模型可以表示如下：上述公式是基于样本得到的结果，b0和b1均为统计量，若该公式拓展到总体人群，则为其中，关键的指标即为b1和β1，他们称之为回归系数，反映的是x对y的影响力，是当X每改变一个观测单位时所引起y的改变量。值得注意的是，这里x是真实的变量值x，而y带了一顶帽子，并非是y的真实值，而是成为y的预测值或者估计值。实际上，x和y没有严格上一一对应的关系，通过x产生的预测值，是接近于y但不等于y。残差反映了除了x和y之间的线性关系之外的随机因素对y的影响，是不能由x和y之间的线性关系所解释的变异性。可以这么来理解ϵ：我们对y的预测是不可能达到与真实值完全一样的，这个真实值只有上帝知道，因此必然会产生误差，我们就用ϵ来表示这个无法预测的误差。我们通过引入了ϵ可以让模型达到完美状态，也就是理论的回归模型。同样的，多个自变量存在的情况下，多重线性回归模型的表示如下：其中，bk、、βk：回归系数，在多重线性回归中，被称之为偏回归系数，表示每个自变量都对y部分的产生了影响。意义与简单线性回归结果相似，反映的是x对y的影响力，是当x每改变一个观测单位时所引起y的改变量。这里e是样本的预测值与测量值的差别，ϵ是总体中预测值与真实值的差别。戴了帽子的y预测值的变异性是解释变量x们能够预测和解释的。无论e还是ϵ都是无法被预测的变异，是边角料。（1）残差ϵ是一个期望为0的随机变量，即E(ϵ)=0（3）误差项ϵ是一个服从正态分布的随机变量，且相互独立，即ϵ~N(0,σ^2)上述就是为什么线性回归要求残差正态性、方差齐性和独立性的原因。ε一般情况下不知道，因此，我们用e残差来ε代替进行正态性、方差齐性、独立性的分析残差分析，一般可以采用残差的正态性分析和残差图来反映。
正态性分析可以用绘制残差的直方图或者QQ图来反映，并不复杂。残差图在SPSS软件中是标准化残差与标准化预测值的散点图。各种残差分布下图所示（x轴为标准化预测值，y轴为标准化残差）。根据残差性质，一个好的模型残差分布应是(a)中的分布。(b)中表明数据中可能存在某个异常值，这时需要将异常值删去建立模型，当然要标明此模型不适合该检测值。而(c)表明，残差的方差并不相同，是随着y预测值的增加而增加，所以这就需要对Y进行变换或者其他求解方法来消除这个影响。而(d)也是异方差，随着预测值增加而增减。(d)、(e)中表明Y与X之间存在非线性的关系，需要考虑新的曲线关系，而不再是线性回归。当然也可能Y存在自相关。
线性回归模型SPSS软件给出两个用于评价模型拟合效果的，一个是R平方（R^2），另外一个是方差分析。之前的文章也提过，回归分析就是在探讨结局变量或者因变量变异的来源，究竟是什么造成的。一个回归模型必然有残差，成功的模型必然也有相应的变量来解释y的变异。一般情况下，自变量越多，残差越小，这意味着更多的y的变异被解释掉了。因此多因素回归比单因素更好，更有意义。因此，回归分析时，我们希望残差变异越小越好。残差变异越小，意味着更多的变异被已知的自变量解释了，意味着我们用回归模拟真实世界的效果越好。那么，如何评价回归分析模拟真实现象的效果呢？方法便是计算R^2和开展方差分析
R^2反映自变量能够解释应变量y多大变异性的指标，统计学称之为决定系数。因变量被自变量解释的这一部分变异称之为回归变异，它实际上就是y预测值的变异性，一般用离均差平方和（SS回归）来计算；剩下无法解释的变异就是残差变异（SS残差），变异越大，残差方差越大。SS回+SS残=SS总变异。R^2即SS回归除以SS总变异得到值：决定系数为回归平方和在总平方和中所占百分比，说明模型对真实世界模拟度，0-1，该值越大，模拟度越高，拟合效果更好。R^2用于评价模型好不好，美不美，而方差分析从另一角度评价模型，它探讨模型是否成功构建，有没有意义。它的原理是基于回归均方除以残差均方得到F值，来探讨量是否不是至少有一个解释变量成功地解释了y的变异。如果回答是，那么P值<0.05。若F值很大P值很小，则表明回归均方大而残差均方小，则表明y更多部分被x解释了，模型成功建立。统计分析首先看方差分析结果，判断是否成功建立，在此基础上可看R^2，评价模型是优秀、还是合格。在上一讲教程中，我大致介绍了多因素线性回归SPSS操作，但讲述不全面，没有细致的介绍LINE的分析过程（只说条件是OK的），也没有就R^2、方差分析等进行介绍。本文在上一讲基础上，展开系统的SPSS介绍，来帮助诸位学习多因素回归分析，内容包括x与y的线性关系判断、具体的回归分析方法、残差分析、R^2、方差分析等。对于线性关系的条件，一般要求当x是定量变量或者等级变量时，需绘制散点图探讨与y是否存在着线性趋势的关系；如x为二分类或者无序多分类，无须绘制散点图。这一操作应在回归分析之前完成。
本例开展血压、年龄、和BMI指数的散点图分析。结果发现，体重指数、年龄与血压的线性关系成立。
③统计:软件默认勾选模型拟合计算R^2，同时有必要进行残差的独立性分析德宾沃森检验（Durbin-Watson）“图”：可以绘制残差图和残差直方图、QQ图。选择右侧的“图”按钮，将“*ZRESID”选入Y轴，将“*ZPRED”选入X轴（①）（*ZRESID表示标准化残值、*ZPRED表示标准化预测值）；②选择直方图（若选择正态概率，将绘制QQ图）
首先呈现的是R^2结果和残差独立性检验（德宾沃森检验）。一般情况下，R^2 看的是“调整R^2”，该值相对不受自变量个数的影响，结果更为可靠。本例调整R^2=0.771，处于较高的水平，也就是说真实世界已经被模拟得“七七八八”了。德宾沃森检验若结果在0-4之间，基本可认为数据独立性符合。本题该值为2.090，独立性符合（该结果同样可以从上文残差分析图可以得到）
第二个结果为方差分析（ANOVA），主要探讨模型的是否成功建成。本例F=35.878，P<0.001（①），说明至少有一个自变量解释了一部分的因变量的变异，从而使得回归变异变大，残差变异减少，模型成功建立。值得注意的是，本题平方和（②）即变异程度（离均差平方和），回归变异平方和/总的平方和，便是R^2，0.794。因此方差分析和R^2结果同出一源，方差分析侧重于分析模型是否成功，R^2侧重于探讨模型有多成功。第三个结果，回归分析的主要结果：计算回归系数、并对回归系数进行假设检验，探讨影响因素。
本研究结果显示，年龄对血压的影响的存在着统计学差异（b=1.24，P<0.001）；这意味着年龄每增加一个单位（在本研究中一单位等于一岁），血压将上升1.243个单位体重指数对血压的影响的没有统计学差异（b=0.509，P=0.052）。这意味在样本中，体重指数对血压有一定影响，但是回归系数没有通过假设检验的考验，还不能说明总体回归系数不等于0。本结果，难以理解的性别（b=-8.721，P=0.002）。b=-8.721代表什么？到底是男性相对女性，还是女性相对男性？初学者可能比较困惑。b就代表着自变量x每增加一个单位，y改变的量。在本例，性别在数据库赋值分别是1和2，也就是x只改变一次，也就是从1到2，b值改变了-8.721单位。由于数据库赋值1是男性，2是女性，因此结果是女性相对男性，血压更低；男性是高血压危险因素。因此，如果自变量是分类数据，一定要观察数据库是如何赋值的，赋值增加一个单位意味着什么，如此才能看懂回归分析结果。第四个结果，由于本例选择计算残差和预测值，可以通过下表来看预测值和残差结果在数据库中，可以发现增加了PRE_1（预测值）和RES_1(残差) ，两组相加，刚好是y“血压值”。第五个结果，残差直方图。可以看出，本例残差均数接近于0，标准差接近于1，数据呈正态分布（标准正态分布），这意味着线性回归在正态性条件是达到的。第六个结果，残差图。残差图的x、y轴分别是因变量预测值的标准化值和残差的标准化值（一般x轴是预测值的标准化值）。本例从图形来看，标准化残差图分布在0值周围，基本是上下对称分布，分布特征不随预测值的增加而发生改变，意味着数据方差齐性、独立性条件符合。纵观线性回归分析SPSS整个过程，我们要通过散点图解决线性问题，残差分析结局残差的LINE条件，根据R^2和方差分析来评价模型，在此基础，评价各自变量的回归效应。
•线性：如果X和Y的关系是非线性的关系（如曲线关系），则回归系数b值无法值正确反映X和Y 的关系（X是二分类、无序多分类除外）处理方法：将X转为哑变量处理，或者曲线回归，或者对自变量x进行转换(指数转换x^3，或者对数转换log(x)等)。•正态性：如果残差不符合正态性，则可以考虑对y或者x进行数据转换（比如BOX-COX转换），推动残差正态分布；或将y转成2分类或多分类数据采用logistic回归方差不齐：方差不齐可以采用其他方法估计回归系数，常见的如加权最小二乘法估计回归系数•独立性：如果独立性条件不符合，则采用非独立性的数据分析方法，比如线性混合模型、多水平模型、广义估计方程等。很多人、甚至是论文的评审专家很看重R^2，都觉得R^2越大越好，模型越好，对R^2低的模型不屑一看。实际上这些人都是社会学、经济学领域的研究者，对医学研究具体情况不熟悉。医学研究线性回归有几个重要的用途，其中两个分别是预测结局，探讨影响因素。对于目的是预测的线性回归，R^2非常重要，R^2越高，模型预测效果越好，所以经济学领域特别看中R^2。医学研究，偶尔也开展预测，但预测并非医学研究的主要研究目的。实际上，医学研究，由于自变量个数有限，一般情况下R^2都比较小，很难起到预测的效果。如果你觉得R^2应该大才对，实际上你可能误解了一篇文章中线性回归分析 的目的。医学研究开展回归模型，最大的目的是探讨影响因素（或者控制混杂）。在这个目的是，R^2无论大小，都不太影响结果。探讨影响因素，首要探讨的是某一个因素在假设检验中P值到底是否小于0.05。有人说R^2这么小，建模有什么意思？我倒反驳说，就凭医学研究的那几个指标，你就想预测如此复杂的医学现象？痴人说梦！所以，诸位不必纠结R^2是不是过小了！R^2虽好，不必苛求。在实践中，科研工作者鉴别数据异常值是统计分析前首先要完成的工作，否则会导致前功尽弃，得不偿失。比如下图：虚线是代表受异常值影响而偏离的回归线。
引自：方积乾主编，生物医学研究的统计学方法（第二版）异常值数据的识别可以通过简单、直观、有效的散点图，也可以计算相关统计量（比如残差或者广义平方距离获得）来反映。SPSS软件提供异常值的诊断。可设置一定的离群值标准来诊断存在着异常值的个案（一般是>3个标准差），其残差的直方图也可以看出是否存在着异常的残差值。
异常残差分布位置，本例残差均小于3个标准差，无特别异常值，红框仅作位置标注
一旦发现可能的异常数据，不易草率地删除，应该仔细审查这些可能异常数据的获得过程。如果是认为实验失误、记录错误或者录入错误等造成的，才考虑删除或者重新测量；若异常值便是个体本身造成，不便删除，否则会扭曲真实结果。
以下文章来源于医学论文与统计分析
