本文分享常见使用的回归，以及如果分析时出现问题的处理办法 。先上图，一图说明本文章的主题。

1回归如何选择？

回归有很多种，但最常见使用的就是上图中标识的回归方法。回归研究X对于Y的影响，至于回归方法的选择上，关键在于因变量Y的数据类型，如果Y是离散数据，则统一应该使用logistic回归，但具体logistic回归又分成三种类型。如果因变量Y提连续数据（通常也说Y是正态分布时），则应该使用线性回归（有时也称OLS最小二乘法回归）。还有一种较为特殊而且使用较少的回归叫Poisson回归，如果Y符合泊松分布此时则应该使用Poisson回归。整理一个表格更好理解：

2logsitic回归的详细说明

关于logistic回归，再整理一个表格如下进行说明：

如果因变量仅包括两类，比如愿意和不愿意，那么应该使用二元Logistic回归；如果因变量的类别超过两类，比如因变量为手机品牌选择偏好（手机品牌选择偏好分为三类，分别是Iphone，三星和小米），此时应该使用多分类Logistic回归。如果因变量的类别超过两类且有序，比如Iphone手机偏好情况（Iphone手机偏好情况分为三类分别是：不喜欢，喜欢和非常喜欢），此时可使用有序Logistic回归。

特别说明的是：如果是二元logistic回归，其只有两个类别，一般情况下都只能用数字0和1表示，比如SPSSAU软件就是这种规范要求。另外，多分类Logistic回归分析和有序Logistic回归分析这两个方法上，很多时候可以混用，因为只要研究人员把自己的因变量Y看作成类别数据，那就可以使用多分类logistic回归，而且很多时候也是使用多分类logistic回归分析，原因在于有序logistic回归分析需要满足一个前提条件是“平行性检验”，此条件相对较难满足，所以现实中使用多分类logistic回归分析的情况较多。

以及如果是多分类logistic回归的分类类别过多时，一般需要对类别进行组合成少数几个类别，然后再进行研究。

3线性回归出现问题如何处理？

线性回归有时也称OLS回归、最小二乘法回归等等。线性回归是计量分析,社会分析里面使用最多的一种研究方法。但是其有着很多限制条件，会出现很多问题，比如 正态性问题，共线性问题，和异方差问题。

• 问题一：正态性问题。

线性回归要求因变量Y值满足正态性分布要求，如果不满足如何办呢？一般情况下可对因变量进行数据转换处理，如果求对数,或者开根号等等,让数据尽可能的满足正态性要求。

• 问题二：共线性问题。

社会学研究中共线性问题很多，主要是由于自变量X之间的相关关系非常强，共线性问题会干扰到回归系数的显著性，非常严重，一定需要重视，共线性问题可通过VIF值进行判断，VIF值小于5一般就说明没有共线性问题。

如果出现共线性问题，有三种解决办法。一是手工把某些自变量从模型中移除掉；这种办法属于尝试性质的，需要来回对比。第二种办法是使用逐步回归，其实逐步回归也是线性回归，无非就是让模型自动剔除掉有问题的自变量而已。这种办法相对比较好，但是有一个问题是，有时候我们并不想让某个自变量从模型中移出去，但却被自动化的移除出去了。第三种处理办法是岭回归，岭回归并不会移除掉自变量，此种办法的处理较为复杂，但对于共线性问题处理较为严谨科学。

• 问题三：异方差问题。

除了上述的共线性问题，如果是计量研究中，还会出现异方差问题。异方差问题在经济金融相关专业中非常在乎，而且一定需要进行处理，一般是使用white检验和BP检验进行判断是否有异方差问题。

如果出现异方差问题，一般有两种处理办法，一是使用Robust稳健标准误回归方法以减少共线性问题；第二种办法是使用加权回归，比如将残差平方的倒数作为权重项，意味着残差绝对值越大时，其权重越低，以减少异方差问题。当然具体应该如何使用加权WLS回归解决异方差问题，一般以文献为准，残差平方的倒数作为权重项进行加权WLS回归处理异方差问题是一种常见的方案；还有FGLS方案等。

特别提示：上述中提及的加权WLS回归，其实还是线性回归，无非是多出一个加权权重项而已，所以又称之为加权WLS回归。

4自变量X的数据类型问题？

在分析的自变量X的个数可以是多个，Y的个数一般是一个。对于自变量X，需要注意一点即虚拟变量(哑变量)设置问题。

如果自变量是分类数据，比如性别，包括男和女，这种情况下就需要进行虚拟变量设置。