模型不达标调整

一 、模型不达标调整

模型构建就是——科学的研究问题的数学表达；比如线性回归模型中的模型公式。

在进行建模时，很多同学会遇到模型不达标的问题，这种情况很常见，通常需要进行模型不达标的调整。

模型不好如何处理

模型拟合不好，我们能想到的原因主要有以下几个方面

其一：样本的多少

通常情况下，样本越多，样本的数据质量越高，那么会对模型拟合有正向的帮助；

其二：测量指标的好坏与多少

如果选取的指标不能很好地代表所研究的问题，那么指标的选取就存在问题，会影响到后续模型的拟合；同时，指标如果过少（考虑不全面，如缺少控制变量）、过多（指标冗杂、重复指标较多）都会影响到模型的好坏。

其三：模型存在潜在问题

例如：忽略了异方差和共线性的问题，导致模型不好。

其四：模型需要更换

如果无论如何调整都无法很好的拟合模型，则需要考虑更换模型。

综上所述：当模型不好时，可以从样本变化、指标变化、模型修正、模型更换四个方面进行调整。

① 样本变化

• 增加样本

数据分析中，一般来讲，样本量越多越好，样本量过少会引起数据分析结果的代表性降低；因此增加样本量，可以作为调整模型的一种方式。

增加样本可以从两方面考虑：

其一加入新样本，扩大整体样本量；

其二将缺失值进行填补

SPSSAU系统数据处理->异常值功能，可将缺失数据（null）进行填补。SPSSAU当前支持平均值、中位数、众数和随机数填补等。一般情况下，平均值、中位数或众数使用较多。

• 删减样本

如果样本数据质量不高，缺失值和异常值较多，同样会影响到模型的拟合。那么，删减样本也可以作为模型调整的一种方式。

删减样本包括无效值处理和异常值处理两方面。对于异常值，常见的处理方法比如缩尾or截尾处理；同样，可以在SPSSAU系统->数据处理板块进行操作。

② 指标变化

• 替换法

指标的选取会影响模型拟合效果，如果使用不合适的指标描述所研究问题，那么错误的指标得到的模型自然是错误的。虽然一些指标代表的意义乍一看相近，可以替换使用，但是“差之毫厘失之千里” ，所以，将指标进行替换可以作为一种模型调整方式。

例如：一般使用人均GDP而不使用GDP衡量一个地区的发展水平

• 增加指标

如果指标的选取并不全面，无法涵盖绝大部分信息，那么模型自然也是不好的，所以增加指标为指标变化调整的另一种方式。例如：研究地区经济的发展时，忽略了控制变量人口，那么就需要相应地增加控制变量（干扰变量）；或者其他容易忽略的个体属性（如年龄、性别等）、遗漏变量等。

• 删除指标

将重复指标或者质量差的指标进行删除，也是模型调整的一种方式。例如：研究学生学习水平时，“ 学历 ” 和 “ 受教育年限 ” 之间一定存在很强的共线性，二者取其一即可。

③ 模型修正

模型不达标还可能是因为忽略了一些需要在意的问题，比较常见的有是否存在异方差或共线性问题。

• 异方差问题

处理异方差问题有三种办法，分别是数据处理（取对数等）、稳健标准误回归、FGLS回归。

• 共线性问题

如果出现多重共线性问题，一般可有3种解决办法：一是使用逐步回归分析（让模型自动剔除掉共线性过高项）；二是使用岭回归分析（使用数学方法解决共线性问题）；三是进行相关分析，手工移出相关性非常高的分析项（通过主观分析解决），然后再做线性回归分析。

④ 模型更换

如果无论如何调整都无法很好的拟合模型，则需要考虑更换模型。

例如：使用结构方程模型研究影响关系时，模型不达标，可以考虑将结构方程模型改为路径分析；或者改为研究线性回归模型。

或者，在研究线性回归模型时，可以改为研究二元logit回归（例如将收入换成“高收入和低收入”两类）。

二、减少模型不达标问题经验说明

为了尽量避免模型不达标的情况，应该从前期样本准备、指标选择就做好准备。接下来，小编将说明前期数据以及模型的一些基本准备；并使用问卷式模型以及计量式模型进行举例，分享一些模型构建的注意事项。

1、数据准备

• 数据样本量尽量多

保证样本量尽量多的目的有两个分别是：稳健性检验、防止样本有缺失

• 数据完善性

缺失样本不能过多，会影响分析结果

• 指标有预留

指标最好在开始的时候，就多预留出几个，其目的有三，分别是：用作控制变量、稳健性检验、替换作用。

说明——稳健性检验

稳健性检验通俗的讲，就是改变某个特定的参数，进行重复的实验，来观察实证结果是否随着参数设定的改变而发生变化，如果改变参数设定以后，结果发现符号和显著性发生了改变，说明不是稳健性的，需要寻找问题的所在。一般根据自己文章的具体情况选择稳健性检验 ① 从数据出发，根据不同的标准调整分类，检验结果是否依然显著 ② 从变量出发，从其他的变量替换，如：研发金额投入可以使用研发项目数量衡量 ③ 从计量方法出发，可以用OLS等进行回归，看结果是否依然显著

2、模型准备

• 在找数据时，应该大概知道模型是什么样子

带着目的找数据，可以节省时间，提高数据准确性以及与研究问题的匹配度。

• 模型尽量有备选

如果一个模型不合适，可以及时更换模型，不至于重头再来，节省时间与精力。

3、问卷式模型

例如：研究商超购物满意度模型

数据准备：上图中六个变量分别对应的数据

可以从样本量、样本特征、变量测量3个角度做文章

问卷设计注意事项：

• 一个指标尽量多对应问卷题目，建议4~7个

便于后续的筛选、删除；在后面的调整模型时也可能用到。

• 其他相关数据——人口统计学变量

干扰变量（控制变量）的设计可用于模型调整、丰富分析内容。

基于结构方程模型的黑龙江冰雪旅游游客满意度研究-成春蕾

• 必填题目设置——用于模型调整和稳健性检验使用

基于结构方程模型的黑龙江冰雪旅游游客满意度研究-成春蕾

• 筛选题设置——用于筛选适合样本

例如：消费次数1次/年，25次/年，510次/年，10次以上/年；如果填写问卷的参与调查的人在该商超的消费次数过低，自然应该被排除在外，不属于我们研究的合适样本。同时，筛选题的设置可用于后续模型的调整和模型稳健性检验使用。

基于结构方程模型的黑龙江冰雪旅游游客满意度研究-成春蕾

• 样本量

收集的问卷有效样本量应该在问卷题目个数的5倍以上，若样本数据偏离正态分布，则样本量最好为问卷题目数的10倍以上，以便模型数据更具有说服力。

问卷研究常用方法：

在SPSSAU系统中，提供多种主流问卷研究方法，常见的主要有信度分析、效度分析、多选题分析、调节作用、中介作用、路径分析、结构方程模型等方法。

同学们可结合自己所研究问题，进行方法的选择。如果不知道自己应该进行哪种分析，还可以在SPSSAU官网右上角客服中心联系人工客服，会有专业老师解答问题。

4、计量式模型

例如：高管团队特征对企业创新投入的影响

• 数据准备：各个变量分别对应的数据
• 样本量、指标变化、模型更换
• 确定自变量、控制变量、因变量

自变量（解释变量）：女性高管人数、高管团队任期、高管团队受教育水平（受教育年限）等

控制变量：企业资产、企业盈利指标ROA、政府补贴等

因变量（被解释变量）：研发投入金额

注意事项：

• 数据尽量多

例如：使用多个年份、多个行业（国有企业、外资企业等）的数据

可以达到样本筛选、模型调整、稳健性检验、丰富研究、异常数据清理的目的。

高管团队特征对企业创新的影响研究——王彩虹

• 指标更换

例如：高管团队任期替换为高管团队更换频率

受教育水平替换为受教育年限

研发投入金额替换为研发项目数量等等

指标更换对应数据准备中的指标有预留，为的是后续进行模型不达标调整、稳健性检验等等。

高管团队特征对企业创新的影响研究——王彩虹

• 模型更换

例如：OLS回归->robust回归

OLS回归->面板模型

OLS回归->是否加入控制变量 / 控制变量的变化等等

模型更换是进行模型不达标调整的最后底线

计量研究常用方法：

在计量经济研究中，可选择的方法更多，需要结合所研究内容以及自身专业进行判断，可以在SPSSAU官网查看每种方法的帮助手册进行方法的学习。