求建模前数据统计检查清单及常见统计模型假设条件明细

Hey there! Great question—validating model assumptions is absolutely make-or-break for reliable statistical results. You’re totally right that cutting corners on this step can tank your modeling outcomes. Below’s a curated breakdown of key assumptions for common statistical models, plus practical framing in the "应选用哪种统计模型……" format you mentioned:

二分类Logistic回归 #

核心假设 #

• 无/低多重共线性：自变量之间不应存在强线性相关（可通过VIF值判断，一般VIF<5视为可接受）
• 自变量与对数几率的线性关系：自变量和因变量的对数几率（logit(p)）之间需存在线性关联
• 样本量充足：遵循10×IV/p规则——针对较少数类，每个自变量至少对应10个该类别的样本
• 无强影响异常值：极端值会大幅偏移模型参数，需通过Cook距离、学生化残差等检测

适用场景 #

应选用哪种统计模型来预测二分类结果（比如用户是否转化、疾病是否确诊），且你能保证自变量和对数几率的线性关系、样本量达标？二分类Logistic回归是首选。

普通最小二乘（OLS）线性回归 #

核心假设 #

• 线性性：自变量与因变量之间存在线性关系
• 同方差性：残差的方差在所有自变量取值范围内保持恒定（无异方差）
• 独立性：残项之间相互独立（无自相关，时间序列数据需特别注意）
• 正态性：残差服从正态分布
• 无多重共线性：自变量间无强线性相关

适用场景 #

应选用哪种统计模型来预测连续型因变量，且数据满足线性、同方差、残差正态等条件？OLS线性回归是经典且高效的选择。

线性混合模型（LMM） #

核心假设 #

• 固定效应线性性：固定效应部分的自变量与因变量存在线性关系
• 随机效应正态性：随机效应服从均值为0的正态分布
• 残差独立性与同方差性：残差服从正态分布、方差恒定，且与随机效应相互独立
• 无多重共线性：针对固定效应自变量，需避免强线性相关

适用场景 #

应选用哪种统计模型处理带有分层结构或重复测量的数据（比如多个班级的学生成绩、同一患者的多次随访数据）？线性混合模型能有效处理这类非独立样本，同时区分固定与随机效应。

Cox比例风险模型（生存分析） #

核心假设 #

• 比例风险假设：自变量的风险比（HR）在整个随访期间保持恒定（可通过Schoenfeld残差检验验证）
• 线性性：连续自变量与对数风险之间存在线性关系
• 无多重共线性：自变量间无强线性相关
• 无强影响异常值：极端观测值会干扰风险比的估计

适用场景 #

应选用哪种统计模型分析事件发生的时间（比如患者存活时间、设备故障时间），且你认为风险比不随时间变化？Cox比例风险模型是生存分析领域的常用工具，无需提前指定生存分布。

泊松回归（计数数据建模） #

核心假设 #

• 泊松分布特征：因变量服从泊松分布，即均值等于方差（无过度离散）
• 对数线性关系：自变量与因变量的对数均值之间存在线性关系
• 独立性：观测值之间相互独立（无聚集性数据，若存在聚集性需改用负二项回归）
• 无多重共线性：自变量间无强线性相关

适用场景 #

应选用哪种统计模型预测计数类结果（比如网站日访问量、某区域事故发生次数），且数据满足均值等于方差的泊松分布特征？泊松回归是合适的基础选择。

快速提示 #

• 假设检验要配套：比如用Q-Q图检查残差正态性，用VIF检验多重共线性，用Schoenfeld残差验证Cox模型的比例风险假设
• 假设不满足时别硬撑比如Logistic回归遇到非线性关系，可尝试添加多项式项或样条；OLS遇到异方差，可改用加权最小二乘或稳健标准误

内容的提问来源于stack exchange，提问作者DanSan