线性回归异常值检验方法及软件操作.docx

一、异常值检验方法概述

在SPSSAU(在线SPSS)中进行线性回归分析时，系统提供了3种专业的异常值诊断指标：

杠杆值(Leverage)：衡量数据点对回归线的影响程度，值越大表示该点对回归线的影响越大

Cook距离(Cook)：综合衡量数据点对回归系数估计的影响程度

学生化残差(Sres)：标准化后的残差值，用于识别偏离回归线的异常点

二、异常值判断标准

离群点判断：当学生化残差绝对值2时，可认为该点为离群点

强影响点判断：当Cook距离值超过临界值时，可认为该点为强影响点

三、SPSSAU操作步骤

进入分析模块

登录SPSSAU(网页SPSS)平台

依次点击【通用方法】→【线性回归】

设置变量

将因变量拖拽至因变量Y框

将自变量拖拽至自变量X框

异常值诊断设置

勾选【异常值诊断】选项

如需保存异常点信息，勾选【异常点信息保存】

开始分析

点击开始分析按钮运行分析

四、结果解读与处理建议

结果查看

分析结果中会输出异常点诊断表格

表格中会标注可能的异常点及其三个指标值

异常点处理

如需过滤异常点，可使用筛选样本功能

根据诊断标准设置筛选条件(如学生化残差绝对值≤2)

使用筛选后的数据进行重新分析

结果对比

建议对比包含异常点和剔除异常点后的分析结果

根据实际情况决定是否保留异常点

五、注意事项

异常值诊断应在模型建立后进行

不是所有异常点都需要剔除，需结合研究背景判断

剔除异常点后应重新检验模型假设条件

建议记录异常点处理过程，确保分析过程可追溯

通过SPSSAU提供的这些功能，研究者可以全面评估数据中的异常点，确保线性回归分析结果的稳健性和可靠性。

参考文献：

TheSPSSAUproject(2024).SPSSAU.(Version24.0)[OnlineApplicationSoftware].Retrievedfrom.

[2]周俊,马世澎.SPSSAU科研数据分析方法与应用.第1版[M].电子工业出版社,2024.