一、问题与数据

1. 残差方差齐性

回顾一下前面介绍过的残差方差齐性，即残差ei的大小不随预测值水平的变化而变化。我们在进行残差分析时，可以通过绘制标准化残差和标准化预测值的散点图来进行判断。若残差满足方差齐性，则标准化残差的散点会在一定区域内，围绕标准化残差ei=0这条直线的上下两侧均匀分布，不随标准化预测值的变化而变化，如图1所示。

图1. 标准化残差散点图（方差齐性）

2. 残差方差不齐

但有时残差不满足方差齐性的假设，其标准化残差散点图显示，残差的变异程度随着变量取值水平的变化而发生变化，如图2(a)显示标准化残差的分布随变量取值的增大而呈现扩散趋势，图2(b)显示标准化残差的分布随变量取值的增大而呈现收敛趋势，说明残差不满足方差齐性的条件。

图2. 标准化残差散点图（方差不齐）

在多重线性回归模型中，我们采用的是普通最小二乘法（Ordinary Least Square，OLS）来对参数进行估计，即要求每个观测点的实际值与预测值之间的残差平方和最小，对于模型中的每个观测点是同等看待的，残差满足方差齐性的假设。

但是在有些研究问题中，例如调查某种疾病的发病率，以地区为观测单位，很显然地区人数越多，所得到的率就越稳定，变异程度越小，而地区人数越少，所得到的率的变异就越大。在这种情况下，因变量的变异程度会随着自身数值或其他变量的变化而变化，残差不满足方差齐性的条件。此时如果继续采用OLS方法进行模型估计，则拟合结果就会受到变异程度较大的数据的影响，在这种情况下构建的回归模型就会发生偏差，预测精度降低，甚至预测功能失效。

为了解决这一问题，我们可以采用加权最小二乘法（Weighted Least Squares，WLS）的方法来进行模型估计，即在模型拟合时，根据数据变异程度的大小赋予不同的权重，对于变异程度较小、测量更精确的数据赋予较大的权重，对于变异程度较大、测量不稳定的数据赋予较小的权重，从而使得加权后回归直线的残差平方和最小，保证拟合的模型具有更好的预测价值。

研究问题

某研究人员拟研究PM2.5浓度与癌症发病率之间的关联性，以地区为观测单位，收集了40个地区的癌症发病率（/10万），PM2.5年平均浓度（μg/m³），人口数量（万），地区来源（0=农村，1=城市）等信息。（注：数据为模拟数据，不代表真实情况）

二、对问题分析

判断残差是否满足方差齐性

参考多重线性回归的SPSS操作步骤，结果显示采用普通最小二乘法方法拟合的线性回归模型具有统计学意义（P<0.001），决定系数R Square为0.798，PM2.5平均浓度、不同地区来源（District）和不同人口数量对癌症发病率的影响有统计学显著性（P<0.05）。

残差散点图显示，标准化残差的变异程度会随着标准化预测值的增大而增大，呈现扩散趋势，表明残差不满足方差齐性的假设。

三、SPSS操作

请先登录

这么重要的内容，赶快登录查看吧！

登录

四、结果解释

请先登录

这么重要的内容，赶快登录查看吧！

登录

五、更多阅读

• 【SPSS教程】多重线性回归

  研究者想根据一些变量（age、weight、heart_rate和gender）预测另一个变量（VO2 max）。针对这种情况，可以使用多重线性回归分析，但需要先满足8项假设。