接着上篇文章，这里讲一下逐步回归，那么大家应该都知道逐步回归是什么样的作用了，就是为我们剔除一些不重要或者不显著的自变量，使得回归方程最优形式去预测因变量；其中主要思路将所有自变量按照对因变量Y的作用大小，显著程度，由大到小引入回归方程中；其中主要通过几个统计值来识别重要变量,可决系数，T值和AIC值，通过这三个值来添加和删除自变量来拟合模型。大概步骤这样，首先我们在实施每一步都要对引入方程的变量计算其偏回归平方和，为什么我们要计算偏回归平方和呢，这个好比偏相关系数一样，这个主要放映自变量和因变量之间的相关程度的偏差平方和，然后选择一个偏回归平方和最小的变量进行显著性检验，如果显著则保留，这时方程中其他的几个变量也都不需要剔除，因为最小偏差平方和都显著了，其他的更不需要了，相反，如果不显著，则要提出变量，然后按偏回归平方和小到大依次对方程中其他变量进行F检验，将对Y不显著的变量全部提出，保留的都是显著，接着再对未引入回归方程中的变量分别计算其偏回归平方和，并选取其中偏回归平方和最大的一个变量，同样进行显著性检验，显著则引入该变量进入方程，，这个过程一直下去，直到在回归方程中的变量都不能剔除而又无新变量可以引入时，逐步回归过程就结束了；按照其选择方式的可以分为三种，向前逐步回归法，每次增加一个自变量到模型中，直到添加变量不会使模型有所改进为止；向后逐步回归从模型包含所有自变量开始，一次删除一个变量，直到会降低模型质量为止；还有一种是是向前向后逐步回归，通常我们称之为逐步回归，就是我们上段讲一样，每次的引入然后重新评估变量，然后剔除对模型没有贡献的变量，一直到模型最优为止；
这里我们就使用R语言实战里面的代码给大家做个实例，这里使用的是MASS包中的stepAIC()函数可以实现逐步回归模型，这个依据的AIC准则，模型的话就使用我们第一篇文章中的模型作为参照
载入包和数据集
library(nutshell)
library(MASS)
data(team.batting.00to08)
查看前六行
head(team.batting.00to08)
数据成功载入，这时候我们进行向后逐步回归
runs.lm <- lm(runs~singles+doubles+triples+homeruns+walks+hitbypitch+sacrificeflies+stolenbases+caughtstealing,data=team.batting.00to08)
lm_back<-stepAIC(runs.lm,direction = "backward")
结果太长，分段截图，开始AIC值
最后得到AIC值已经结果式，AIC值的减少所以模型得到了优化，我们的逐步回归法是有效的
最后我们使用使用summary()函数打印模型结果
summary(lm_back)
从上图得知全部变量都显著有效，这里就说到这里，有什么问题的话下方评论一起交流
