自动线性建模

回归分析中比较实用的方法是自动线性建模（Automatic Linear Modeling）

1 什么情况下可以用这个方法

当需要知道几个自变量对因变量的影响是多大的时候，用这个方法比较合适。且由于它输出的系数值是相对值，显示的所有自变量之和为100%，所以给业务方解释，也很方便。

例子：你希望知道当前网站的“需求满意度、功能稳定性、功能清晰度、内容易查找、新手友好性、页面美观度、服务支持”对网站的整体体验满意度的影响是多少，这几个因素的重要性是什么，那么：
自变量：需求满意度、功能稳定性、功能清晰度、内容易查找、新手友好性、页面美观度、服务支持
因变量：整体体验满意度

2 怎么用这个方法

1、将数据按照以下方式整理
image.png

2、新建语法
依次点击“文件”—“新建”—“语法”

image.png

3、你会看到以下“语法编辑器”，在红框部分复制以下内容

  1. *Automatic Linear Modeling. 
  2. LINEAR 
  3.   /FIELDS TARGET=整体体验满意度 INPUTS=需求满足度 功能稳定性 功能清晰度 内容易查找 新手友好性 页面美观度 服务支持
  4.   /BUILD_OPTIONS OBJECTIVE=STANDARD USE_AUTO_DATA_PREPARATION=TRUE CONFIDENCE_LEVEL=95 
  5.     MODEL_SELECTION=FORWARDSTEPWISE CRITERIA_FORWARD_STEPWISE=AICC REPLICATE_RESULTS=TRUE SEED=54752075
  6.   /ENSEMBLES COMBINING_RULE_CONTINUOUS=MEAN COMPONENT_MODELS_N=10.

以上编辑器中的内容，如果你需要进行其他的变量分析
把“整体体验满意度”改成你要分析的因变量
把“需求满足度 功能稳定性 功能清晰度 内容易查找 新手友好性 页面美观度 服务支持”改成你需要分析的自变量

image.png

4、点击绿色的“运行”按钮，即可输出结果
image.png

3 如何看输出的结果

1、结果如下所示，点击红框所在区域，查看结果
image.png

2、我们只需关注红框部分的“75.2%”，说明自变量对因变量的可解释性是75.2%。
也就是“需求满足度 功能稳定性 功能清晰度 内容易查找 新手友好性 页面美观度 服务支持”可以解释“整体体验满意度”的75.2%的变化。
image.png

3、这部分是各自变量对因变量的影响，当把鼠标放在横条上时，这个数值就会显示出来，可以看到功能稳定性对整体体验满意度的重要性是0.46
image.png

4、同理，我们也可以看到其他自变量的重要性
大家可以发现以下这些值的和为1。这样就能看到对于整体体验满意度的变化，各个自变量分别发挥多大的价值。
image.png