多元回归建模全解析：从OLS原理到Matlab实战与诊断优化

1. 从“拍脑袋”到“算数据”为什么多元回归是建模的基石在数学建模竞赛或者任何需要量化分析的场景里我们常常会遇到一个核心问题一个结果到底是由哪些因素决定的这些因素各自贡献了多少比如房价Y可能和面积X1、地段X2、房龄X3等多个因素有关。新手最容易犯的错误就是凭感觉“拍脑袋”说“地段最重要”或者简单画个房价和面积的散点图就下结论。这种单变量思维在复杂系统面前往往失灵因为你忽略了其他变量的干扰和协同作用。多元回归分析模型就是用来解决这个问题的“数学显微镜”。它不满足于看两个变量之间的“表面关系”而是要剥离出在控制其他因素不变的情况下某一个自变量对因变量的“净影响”。这就像在实验室里做对照实验你想知道施肥对产量的影响就必须保证光照、水分、土壤等其他条件完全一致只改变施肥量。多元回归在统计学上实现了这种“控制”让我们能从一堆混杂的数据中清晰地看到每一个变量的独立作用。我参加过也评审过不少数模比赛发现很多队伍即使用了回归模型也常常停留在“跑出结果就行”的层面对模型背后的假设、结果的解读、潜在的陷阱知之甚少。这导致模型要么不显著要么结论荒谬要么根本通不过检验。这篇内容我就结合Matlab这个强大的工具把多元回归从原理、实现到诊断、优化的完整链条掰开揉碎讲清楚。这不是一个简单的函数调用教程而是一个建模者应该如何思考、如何操作、如何避坑的经验分享。无论你是为了备战数模还是处理科研数据抑或是解决商业分析问题掌握这套方法都能让你从“数据描述”跃升到“因果推断”的门口。2. 多元线性回归的核心思想与数学模型拆解在深入Matlab操作之前我们必须夯实理论基础。多元线性回归的基本思想很直观用一个线性方程来近似描述一个因变量被解释变量Y与多个自变量解释变量X1, X2, ..., Xk之间的关系。2.1 模型的形式化表达其数学模型可以表示为Y β₀ β₁X₁ β₂X₂ ... βₖXₖ ε这个简单的等式里每一个符号都有其严格的统计学含义Y: 因变量也就是我们想要预测或解释的那个指标。X₁, X₂, ..., Xₖ: 自变量我们认为可能影响Y的因素。在建模中选择哪些X进入模型是第一步也是至关重要的一步这依赖于业务知识或理论框架而不是单纯的数据挖掘。β₀: 截距项。它表示当所有自变量取值为0时Y的期望值。很多时候β₀没有实际的业务意义比如当面积、房龄都为0时房价是多少但它对于保证模型拟合的准确性是必要的。β₁, β₂, ..., βₖ: 回归系数。这是模型的核心输出。βᵢ 衡量的是在控制其他自变量不变的情况下Xᵢ 每增加一个单位Y 平均变化 βᵢ 个单位。这个“控制其他变量不变”的条件是多元回归区别于一元回归的精髓。例如β₁面积系数是在“地段和房龄相同”的假设下面积对房价的边际贡献。ε: 随机误差项。它代表了模型无法解释的部分包括被忽略的次要因素、测量误差以及真正的随机波动。我们通常假设 ε 服从均值为0、方差为σ²的正态分布且各个观测的误差项之间相互独立。2.2 模型估计最小二乘法OLS在干什么我们手头有n组观测数据Y, X₁, X₂, ..., Xₖ但不知道真实的β值是多少。最小二乘法Ordinary Least Squares, OLS就是用来估计这些β值的方法。它的目标非常直观找到一组β的估计值记为 b₀, b₁, ..., bₖ使得模型预测值 Ŷ b₀ b₁X₁ ... bₖXₖ与真实观测值 Y 之间的差距的平方和最小。这个差距就是残差 e Y - Ŷ。用数学公式表达就是最小化残差平方和RSS RSS ΣYᵢ - Ŷᵢ)² Σ [Yᵢ - (b₀ b₁X₁ᵢ ... bₖXₖᵢ)]²你可以把它想象成在k1维的空间里寻找一个超平面让所有数据点到这个超平面的“垂直距离”的平方和最小。Matlab的regress或fitlm函数在背后高效地求解了这个优化问题给出了b的解。注意OLS估计得到的是“最佳线性无偏估计”BLUE但这个结论成立依赖于一系列经典假设如线性关系、无多重共线性、误差项同方差且无自相关等。这些假设是否满足需要通过后续的模型诊断来验证。2.3 从系数到结论如何解读输出结果Matlab跑完回归后会输出一桌子结果。我们绝不能只盯着R²拟合优度。一个有经验的建模者会按顺序关注以下几张“体检表”方差分析表ANOVA首先看整个模型是否显著。关注F统计量及其对应的p值Significance F。如果p值远小于0.05或你设定的显著性水平我们才能拒绝“所有回归系数都为0”的原假设认为这个模型整体上是有效的至少有一个自变量对Y有解释力。如果模型整体都不显著那后续分析就失去了基础。回归系数表这是解读的核心。Coefficients系数值就是估计出的b值。正负号代表影响方向。标准误差Std. Error衡量系数估计的精确度。标准误差越小估计越可靠。t 统计量t Statt 系数值 / 标准误差。它检验的是单个系数是否显著不为0。p值p-Value与t统计量对应。通常p值 0.05我们认为该自变量在统计上是显著的有足够的证据表明它和Y之间存在线性关系。但务必注意统计显著不等于实际意义显著。一个系数即使显著如果其数值非常小对Y的边际影响也可能微乎其微没有实际决策价值。模型摘要R²决定系数表示模型的自变量能解释因变量Y变动的百分比。比如R²0.8意味着模型解释了80%的Y波动。但R²会随着自变量增加而自然增大即使加入无关变量。调整R²Adjusted R²对R²进行了修正考虑了自变量的个数用于比较不同数量自变量的模型。在模型选择时调整R²比R²更可靠。标准误差S误差项ε的标准差σ的估计值。它反映了模型预测的平均误差大小单位与Y相同非常直观。S越小模型预测精度越高。3. 在Matlab中实现多元回归从数据准备到模型拟合理论清楚了我们进入实战环节。Matlab提供了多种方式进行回归分析我将介绍最常用、功能最全面的两种。3.1 基础工具regress函数regress函数是统计工具箱中的基础函数它提供了最直接的矩阵运算接口适合理解原理和进行简单分析。% 假设我们有一个数据集Y是房价X1是面积X2是房龄X3是是否学区虚拟变量1是0否 % 数据准备 load(house_data.mat); % 假设数据已保存在mat文件中 Y price; % 因变量n x 1向量 X [ones(size(area)), area, age, school_district]; % 构造设计矩阵第一列是全1向量对应截距项 % X 是一个 n x 4 的矩阵 % 调用 regress 进行回归 [b, bint, r, rint, stats] regress(Y, X); % 解读结果 disp(回归系数 b (截距, area, age, school_district):); disp(b); disp(系数95%置信区间 bint:); disp(bint); disp(模型统计量 stats [R^2, F, p-value of F, 误差方差估计]:); disp(stats); % 绘制残差图进行初步诊断 figure; scatter(1:length(r), r, filled); xlabel(观测序号); ylabel(残差); title(残差序列图); hold on; plot(xlim, [0 0], r--); % 绘制y0参考线关键点解析设计矩阵X必须手动添加一列全1以估计截距项β₀。这是新手最容易忘记的一步。输出参数b: 回归系数向量。bint: 系数的95%置信区间。如果区间包含0则该系数可能不显著。r: 残差向量Y - X*b。rint: 残差的置信区间可用于诊断异常点。stats: 一个向量包含R²、F统计量、F统计量的p值、误差方差的估计值。优缺点regress直接、快速但后续的诊断、绘图需要自己手动完成功能相对单一。3.2 进阶首选fitlm函数与线性模型对象对于绝大多数应用我强烈推荐使用fitlm。它返回一个完整的线性模型对象包含了极其丰富的诊断、预测和可视化方法是面向对象的现代化接口。% 使用 fitlm推荐使用表table格式数据这样变量名清晰 houseTable table(area, age, school_district, price, VariableNames, {Area, Age, School, Price}); % 拟合模型。公式字符串 Price ~ Area Age School 表示用Area, Age, School解释Price mdl fitlm(houseTable, Price ~ Area Age School); % 1. 显示完整的模型摘要包含ANOVA、系数检验等所有信息 disp(mdl); % 2. 获取详细的系数表格 coefTable mdl.Coefficients; disp(coefTable); % 3. 获取模型拟合优度 rsquared mdl.Rsquared.Ordinary; % 普通R^2 rsquared_adj mdl.Rsquared.Adjusted; % 调整R^2 disp([R^2: , num2str(rsquared), , Adjusted R^2: , num2str(rsquared_adj)]); % 4. 进行预测 newData table(120, 5, 1, VariableNames, {Area, Age, School}); % 新观测 [price_pred, price_ci] predict(mdl, newData, Alpha, 0.05); % 预测值及95%置信区间 disp([预测房价: , num2str(price_pred), 置信区间: [, num2str(price_ci(1)), , , num2str(price_ci(2)), ]]);fitlm的核心优势公式化输入使用~符号指定模型形式直观易懂如Y ~ X1 X2 X1:X2甚至可以指定交互项。丰富的对象属性模型结果存储在mdl对象中可以通过点号访问所有信息如mdl.Residuals.Raw获取残差mdl.Fitted获取拟合值。强大的可视化方法直接调用plot(mdl)可以生成一组4个专业的诊断图我们将在下一节详细解读。便捷的预测predict函数可以方便地对新数据做点预测和区间预测。实操心得在数模竞赛或科研中一律使用fitlm。它的输出更规范便于直接复制到论文中其诊断工具能帮你快速发现模型问题。regress更适合在教学或需要理解底层计算时使用。4. 模型诊断你的回归模型“健康”吗拟合出一个模型只是第一步甚至是最简单的一步。更关键的是评估这个模型是否可靠是否满足OLS的基本假设。如果假设被严重违背那么之前得到的显著性检验、置信区间就都不可信了。模型诊断就是给模型做“全身体检”。4.1 异方差性检验误差的波动是否均匀OLS假设误差项ε的方差是常数同方差。如果方差随着自变量的变化而变化异方差虽然系数估计仍是无偏的但标准误的估计就不准确了会导致t检验和F检验失效。诊断方法残差图最直观的方法是绘制残差e与拟合值Ŷ或某个自变量的散点图。如果散点随机、均匀地分布在0线周围没有明显的漏斗形、扇形或曲线趋势则同方差假设可能成立。figure; plotResiduals(mdl, fitted); % 绘制残差 vs. 拟合值图 xlabel(拟合值); ylabel(残差); title(同方差性诊断图); % 如果图形呈现“喇叭口”状则存在异方差怀特检验White Test或布鲁奇-帕甘检验Breusch-Pagan Test更正式的统计检验。Matlab的het.test函数需要Econometrics Toolbox可以实现。原假设是同方差。如果p值很小如0.05则拒绝原假设认为存在异方差。应对策略稳健标准误使用fitlm时可以在调用时指定RobustOpts, on选项它会采用异方差稳健的标准误Huber-White标准误重新计算t统计量和p值这是最常用、最简单的处理方式。mdl_robust fitlm(houseTable, Price ~ Area Age School, RobustOpts, on); disp(mdl_robust.Coefficients); % 查看使用稳健标准误后的结果变量变换对因变量Y做变换如取对数ln Y常常能稳定方差。这在经济、金融数据中非常常见如对数房价、对数GDP。加权最小二乘法WLS如果知道方差是如何变化的可以使用WLS。4.2 多重共线性诊断自变量在“互相解释”吗多重共线性是指自变量之间存在高度线性相关。例如在房价模型里同时使用“建筑面积”和“房间数”这两个变量很可能高度相关。共线性不会影响模型的预测能力但会导致回归系数的估计值方差变大非常不稳定样本稍有变动系数值变化巨大。系数t检验不显著难以判断单个变量的重要性。系数的符号可能与理论预期相反难以解释。诊断方法方差膨胀因子VIF这是最常用的诊断指标。VIF衡量的是由于共线性导致系数方差增大的比例。对于第j个自变量其VIF 1 / (1 - R²ⱼ)其中R²ⱼ是将Xⱼ对其他所有自变量做回归得到的R²。经验法则VIF 10严格一点是 5通常认为存在严重的多重共线性。% 计算VIF需要手动或借助自定义函数 % 假设设计矩阵为X包含截距列 [n, p] size(X); vif zeros(p-1, 1); % 不计算截距项的VIF for i 2:p % 从第2列开始第1列是截距 % 将第i列作为因变量其他所有列除了第i列作为自变量做回归 y_temp X(:, i); X_temp X(:, [1:i-1, i1:p]); % 去掉第i列 [~, ~, ~, ~, stats_temp] regress(y_temp, X_temp); r2_temp stats_temp(1); vif(i-1) 1 / (1 - r2_temp); end disp(方差膨胀因子(VIF):); disp(vif);相关系数矩阵查看自变量两两之间的皮尔逊相关系数。如果某些变量间的相关系数绝对值大于0.8或0.9需要警惕。corr_matrix corrcoef(houseTable{:, {Area, Age, School}}); disp(自变量相关系数矩阵:); disp(corr_matrix);应对策略剔除变量剔除VIF最高的那个变量通常是与业务理论关联最弱或测量精度最差的那个。主成分回归PCR或偏最小二乘PLS将高度相关的自变量转换为一组不相关的主成分然后用主成分做回归。这能消除共线性但会牺牲模型的可解释性。岭回归Ridge Regression在损失函数中加入系数平方和的惩罚项使系数估计更稳定。Matlab中使用ridge函数。4.3 正态性检验残差服从正态分布吗OLS的统计推断假设检验、置信区间依赖于误差项ε的正态分布假设。虽然在大样本下中心极限定理系数估计近似正态但残差严重偏离正态可能暗示模型设定有误如遗漏重要变量、函数形式错误或存在异常值。诊断方法Q-Q图分位数-分位数图将标准化残差的分位数与标准正态分布的分位数进行比较。如果点大致落在一条45度直线上则正态性假设可接受。figure; plotResiduals(mdl, probability); % 绘制正态概率图Q-Q图 title(残差正态性检验(Q-Q图));直方图绘制标准化残差的直方图并叠加正态分布曲线直观查看分布形状。figure; histogram(mdl.Residuals.Standardized, Normalization, pdf); hold on; x linspace(-4, 4, 100); y normpdf(x, 0, 1); plot(x, y, r-, LineWidth, 2); xlabel(标准化残差); ylabel(概率密度); title(残差分布直方图); legend(残差分布, 标准正态分布);统计检验如雅克-贝拉检验Jarque-Bera test原假设是服从正态分布。Matlab中可用jbtest函数。应对策略如果只是轻微偏离正态且样本量较大通常可以忽略因为统计推断具有稳健性。如果严重偏离检查是否有异常值见下节。考虑对因变量进行变换如Box-Cox变换。4.4 异常值与强影响点诊断哪些数据在“捣乱”异常值是指与大部分数据模式严重不符的观测点。强影响点是指对回归系数估计有巨大影响的点。它们可能扭曲模型导致结论错误。诊断方法学生化残差Studentized Residual绝对值大于2或3的标准化残差可能为异常值。std_res mdl.Residuals.Studentized; % 学生化残差 outlier_idx find(abs(std_res) 3); % 找出学生化残差绝对值大于3的索引 disp(疑似异常点观测序号:); disp(outlier_idx);杠杆值Leverage衡量一个观测点自变量值与所有观测平均值的偏离程度。杠杆值高的点通常大于 2*(p1)/n其中p是自变量个数可能对拟合产生强影响。leverage mdl.Diagnostics.Leverage; high_leverage_idx find(leverage 2*(mdl.NumPredictors1)/mdl.NumObservations);库克距离Cook‘s Distance综合衡量一个观测点对全部回归系数估计的影响程度。库克距离大于1或更常用的阈值4/n的点被认为是强影响点。cookd mdl.Diagnostics.CooksDistance; influential_idx find(cookd 4 / mdl.NumObservations);应对策略检查数据首先检查这些点是否是数据录入错误。如果是修正或删除。分析原因如果不是错误分析这些点是否来自不同的群体例如在普通住宅数据中混入了一套顶级豪宅。如果是可能需要分层建模或引入虚拟变量。稳健回归如果异常值无法剔除且对模型影响大可以考虑使用稳健回归方法如fitlm中的RobustOpts选项它们对异常值不敏感。5. 模型优化与变量选择构建一个“更好”的模型拿到一个初步模型并完成诊断后我们往往需要优化它加入新的变量、尝试交互项、或者从一大堆候选变量中挑选出最重要的几个。这既是科学也是艺术。5.1 处理分类变量虚拟变量哑变量的引入现实数据中很多重要的解释变量是分类的比如性别男/女、地区东/中/西部、产品类型A/B/C。不能直接将分类变量的文字或编码如123放入回归因为这会错误地赋予其顺序和等距的数学含义。正确的方法是使用虚拟变量。对于一个有m个类别的分类变量我们需要引入m-1个虚拟变量避免“虚拟变量陷阱”即完全多重共线性。在Matlab中的实现fitlm函数会自动处理分类变量。只要将分类变量在输入table中指定为categorical类型或者其值是字符串fitlm就会自动为其创建虚拟变量并以第一类作为参照基准。% 假设school_district原本是数值型0/1我们将其转为分类变量 houseTable.School categorical(houseTable.School, [0, 1], {NonSchool, School}); % 或者如果原始数据是字符串 % houseTable.Region {East, West, East, North, ...}; % 字符串数组 % fitlm会自动识别为分类变量 mdl_cat fitlm(houseTable, Price ~ Area Age School); disp(mdl_cat.Coefficients);在输出中你会看到类似School_School这样的系数。它的含义是相对于参照组“非学区房”School_NonSchool“学区房”School_School的平均房价高出或低出School_School系数值的单位在控制了面积和房龄之后。5.2 探索交互效应11≠2有时两个自变量对因变量的影响不是独立的。例如面积对房价的提升效应在学区房和非学区房中可能不同。这种“因条件而异”的效应就需要用交互项来刻画。在模型中加入交互项就是在公式中使用冒号:或乘号*。X1:X2表示只加入交互项。X1*X2等价于X1 X2 X1:X2即同时加入主效应和交互项。% 研究面积和学区是否存在交互效应 mdl_interaction fitlm(houseTable, Price ~ Area*School Age); % 等价于 Price ~ Area School Age Area:School disp(mdl_interaction.Coefficients);如何解读交互项系数这需要计算边际效应。对于房价模型Price b0 b1*Area b2*School b3*(Area*School) b4*Age对于非学区房School0房价对面积的偏导数为 b1。面积每增加1单位房价变化b1。对于学区房School1房价对面积的偏导数为 b1 b3。面积每增加1单位房价变化 (b1b3)。因此交互项系数b3衡量了“学区”这个属性如何改变了“面积”对房价的边际效应。如果b3显著为正说明在学区房里面积带来的溢价更高。5.3 变量选择从“全模型”到“精炼模型”当候选自变量很多时我们不可能全部放入模型会导致过拟合、共线性等问题。我们需要一套方法来选择“最优”的变量子集。Matlab提供了自动化工具。逐步回归Stepwise Regression 这是一种自动化的变量选择方法通过向前引入、向后剔除或双向步骤基于某个准则如AIC来筛选变量。% 假设我们有一个包含很多自变量的table: fullTable initial_model fitlm(fullTable, constant); % 从空模型只有截距开始 % 或者从全模型开始 % initial_model fitlm(fullTable, Y ~ X1 X2 X3 X4 X5); % 执行逐步回归默认使用AIC准则 final_model stepwiselm(fullTable, upper, Y ~ X1 X2 X3 X4 X5, lower, constant); % upper指定最大模型lower指定最小模型 disp(final_model.Formula); % 显示最终选择的模型公式注意逐步回归虽然方便但有其局限性。它基于单一路径搜索可能找不到全局最优且其统计推断p值在多次检验后不再可靠。结果应视为一种“建议”而非最终答案必须结合领域知识进行判断。基于准则的比较 更稳健的方法是手动拟合多个候选模型然后比较它们的信息准则如AICAkaike Information Criterion或BICBayesian Information Criterion。准则值越小模型越好在拟合优度和复杂度之间取得了更好平衡。mdl1 fitlm(data, Y ~ X1 X2); mdl2 fitlm(data, Y ~ X1 X2 X3); mdl3 fitlm(data, Y ~ X1 X2 X3 X1:X2); aic [mdl1.ModelCriterion.AIC; mdl2.ModelCriterion.AIC; mdl3.ModelCriterion.AIC]; bic [mdl1.ModelCriterion.BIC; mdl2.ModelCriterion.BIC; mdl3.ModelCriterion.BIC]; disp(table(aic, bic, RowNames, {Model1, Model2, Model3}));变量选择的黄金法则不要盲目依赖自动算法。首先基于理论或业务逻辑确定核心变量必须放入。其次使用逐步回归或信息准则筛选其他变量作为参考。最后必须检查最终模型的诊断图确保其健康并且所有保留的变量都有合理解释。一个在统计上简洁、在理论上可解释、诊断健康的模型才是好模型。6. 超越线性多项式回归与广义线性模型初探线性关系并非万能。当散点图明显呈现曲线趋势时强行拟合直线会导致模型失真。此时我们可以考虑引入自变量的非线性变换。6.1 多项式回归多项式回归是处理非线性关系最直接的方法之一它通过加入自变量的高次项如X², X³来实现。% 研究面积与房价可能存在二次关系 mdl_poly fitlm(houseTable, Price ~ Area Area^2 Age School); % 或者使用更清晰的写法 % mdl_poly fitlm(houseTable, Price ~ poly(Area, 2) Age School); disp(mdl_poly.Coefficients);注意事项共线性X和X²之间通常高度相关会导致严重的多重共线性。解决方法是使用中心化处理先计算Area_centered Area - mean(Area)然后用Area_centered和Area_centered^2进行回归。poly函数内部会自动处理正交化是更好的选择。过拟合不要盲目追求高次项如5次、6次。通常2次或3次已足够。可以通过观察调整R²或交叉验证来选择合适的阶数。6.2 广义线性模型GLM入门当因变量不满足连续、正态分布时线性回归就失效了。例如因变量是二元的是否违约、是否生病或计数的一天内接到的电话数。这时需要用到广义线性模型。Matlab中可以使用fitglm函数。最常见的两种是逻辑回归Logistic Regression用于二元因变量0/1。% 假设因变量‘Default’为0未违约或1违约 bankTable table(income, debt, age, default, VariableNames, {Income, Debt, Age, Default}); mdl_logistic fitglm(bankTable, Default ~ Income Debt Age, Distribution, binomial, Link, logit); disp(mdl_logistic);系数解释不再是“单位变化”而是“对数几率比”的变化。需要通过exp(coefficient)来解释为优势比Odds Ratio。泊松回归Poisson Regression用于计数型因变量非负整数。% 假设因变量‘AccidentCount’是事故次数 mdl_poisson fitglm(data, AccidentCount ~ Speed Weather, Distribution, poisson, Link, log);GLM是一个庞大的领域但其在Matlab中的实现接口与fitlm类似关键在于正确指定Distribution分布和Link连接函数。7. 实战复盘与避坑指南来自数模赛场的经验结合多次建模经验我总结出以下几个最容易踩坑的地方也是评委重点考察的点坑一忽视数据预处理。拿到数据直接扔进regress。必须做的预处理包括处理缺失值删除或插补、检查异常值用描述性统计和箱线图、对连续变量进行标准化或归一化特别是量纲差异大或要用到带惩罚项的模型时。坑二盲目追求高R²。R²高不代表模型好。可能意味着过拟合或者包含了不必要、无解释力的变量。调整R²和交叉验证误差是更可靠的模型评价指标。在论文中应同时报告R²和调整R²。坑三只报告系数和p值不做诊断。这是论文的“自杀行为”。评委一看就知道你对回归理解不深。必须报告关键诊断结果至少应包含残差图检验线性、同方差、VIF检验共线性、并对异常值进行处理说明。可以在附录中放诊断图。坑四错误解读虚拟变量和交互项。很多同学引入了分类变量和交互项但在结果分析时还是像解读连续变量一样说“XX变量增加1单位...”。务必说清楚参照组是谁交互项如何改变了边际效应。坑五用回归证明因果关系。这是统计学中的经典警告。回归只能揭示相关性不能证明因果。除非你的数据来自严格的随机对照实验。在观察性研究中必须谨慎讨论“可能的影响”并指出遗漏变量偏差等内生性问题。在数模论文中可以提出“根据模型结果我们推测...”但避免武断的因果结论。一个完整的建模流程建议理论构建与变量初选基于问题背景画出变量关系路径图。数据探索与清洗描述性统计、可视化、处理缺失和异常。基准模型拟合放入核心变量得到初始结果。模型诊断与修正检查四大假设处理异方差、共线性等问题。模型扩展与优化尝试加入交互项、多项式项或进行变量选择。最终模型确定与解释确定一个诊断良好、解释合理的模型详细解读系数含义、经济/物理意义。模型验证如果数据量允许使用训练集-测试集或交叉验证来评估模型的预测稳定性。最后记住所有模型都是错的但有些是有用的。多元回归是一个强大而灵活的工具但它的价值完全取决于使用者的严谨和思考。在Matlab的帮助下我们摆脱了繁琐的计算得以将更多精力投入到模型设定、诊断和解释这些更体现建模者水平的关键环节上。