SPSS 命令: SPSS LINEAR
在浏览器中对线性模型做装袋与提升
集成方法组合多个模型，使预测更稳定（装袋）或更准确（提升）。
免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日
能告诉你什么
Crosstabs 在你的设备上为线性模型运行 SPSS 集成算法，并报告集成与单个线性模型及均值模型相比的表现。
- 集成、单一参考线性模型和朴素均值模型的 R²。
- 每个组件模型的准确度，提升法还给出其模型权重。
- 装袋法中组件预测的多样性。
适用场景
适合使用
- 线性模型的系数随样本变化很大，希望预测更稳定。
- 希望了解对难以预测的个案重新加权能否优于单个线性模型。
改用其他方法
- 需要可解释的系数：请使用线性回归或自动线性建模。
- 目标为分类变量：这些集成适用于连续目标。
在 Crosstabs 中如何操作
- 01
打开数据
在工作区打开 .sav、CSV 或 Excel 文件并切换到“统计”模式。文件只在浏览器中读取，不会上传。
- 02
选择线性模型集成
在“回归”组中选择“线性模型集成”。
- 03
选择目标与预测变量
选择“目标（连续）”，并勾选“连续预测变量”和“分类预测变量”。
- 04
选择集成方式
将“方法”设为“装袋”或“提升”，并设置“组件模型数”；装袋还需选择“组合规则”和“随机种子”。
- 05
运行并下载
点击“运行”，比较各准确度，并以 CSV 下载集成预测。
输出表格说明
- 模型质量
- 集成、参考模型与朴素模型在训练数据上的 R²，以及装袋法的多样性。
- 组件模型准确度
- 每个组件模型的 R²，以及其自助样本量（装袋）或模型权重（提升）。
前提假设与注意事项
- 每个组件都是使用全部预测变量的最小二乘线性模型；分类预测变量采用指示编码。
- 与 SPSS 相同，准确度在训练数据上计算，并非留出样本估计。
结果如何验证
独立的 NumPy/scikit-learn 实现在加与不加频率权重时，完全重现了带种子的自助样本，并在 1e-9 以内重现组件、集成、参考与朴素模型的 R²、多样性、AdaBoost.R2 模型权重及每个预测值。 验证证据（英文）
常见问题
装袋还是提升？
装袋对在自助样本上拟合的模型取平均，主要降低方差；提升对预测较差的个案重新加权，可降低偏差但可能追逐离群值。
为什么集成并不比单个模型好？
线性模型本身稳定，取平均改变不大；集成对决策树等不稳定模型帮助最大。
装袋结果可以复现吗？
可以。自助样本来自带种子的随机数生成器，相同种子得到相同结果。
多样性为什么可能为负？
面板使用 SPSS 连续目标的公式，即组件误差的平均交叉乘积与总平方和之比；误差同向变动时该值为负。
相关过程
用你自己的数据运行线性模型集成（装袋、提升）
打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。
SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。