提到不同变量的效应大小，大家一定会联想到在多因素回归模型中所得到的回归系数。例如，我们假设自变量分别为身高和体重，根据回归系数很容易就知道每增加1cm的身高或每增加1kg的体重，引起的对因变量Y的影响大小，但是两者相比之下，到底谁的作用大谁的作用小呢？

原始的回归系数已经无法回答这样的问题，我们需要借助标准化回归系数来进行判断，今天我们就来向大家介绍一下，在回归模型中这个标准化回归系数到底是个什么鬼？

1、未标准化回归系数

通常我们在构建多因素回归模型时，方程中呈现的是未标准化回归系数，它是方程中不同自变量对应的原始的回归系数。它反映了在其他因素不变的情况下，该自变量每变化一个单位对因变量的作用大小。通过未标准化回归系数和常数项构建的方程，便可以对因变量进行预测，并得出结论。

2、标准化回归系数

而对于标准化回归系数，它是在对自变量和因变量同时进行标准化处理后所得到的回归系数，数据经过标准化处理后消除了量纲、数量级等差异的影响，使得不同变量之间具有可比性，因此可以用标准化回归系数来比较不同自变量对因变量的作用大小。

通常我们主要关注的是标准化回归系数的绝对值大小，绝对值越大，可认为它对因变量的影响就越大。

3、两者的区别

未标准化回归系数体现的是自变量变化对因变量的绝对作用大小，而标准化回归系数反映的是不同自变量对因变量的相对作用大小，可以显示出不同自变量对因变量影响的重要性。

如果用标准化回归系数构建方程，得到的结论是有偏差的，因为此时自变量和因变量的数据都发生了转化，成为了标准化数据，因此标准化回归系数不能用于构建回归方程。

我们在前期文章《回归模型中引入连续变量，还有哪些玩法？》中，介绍到对于连续型变量，在纳入多因素回归模型中时，可以将其转变为每变化1个标准差的形式，具体的操作方法是对原始的自变量进行标准化处理，然后再带入到回归模型中，所得到的回归系数即为该自变量每变化1个标准差对应的回归系数。

那么，我们假设此时有两个自变量，一个自变量的标准差为1，另一个自变量的标准差为100，两者对因变量都具有一定的影响。如果用上述每增加1个标准差对应的回归系数，来判断哪个自变量对因变量的影响更大的话，当同样变化1个标准差时，第一个自变量只需要改变1个单位，而第二个自变量则需要改变100个单位，因此标准差大的自变量改变起来就显得比较困难。此时，我们就需要用标准化回归系数来救场。

每增加1个标准差对应的回归系数，反映的是自变量每变化1个标准差时对因变量原始值变化产生的影响。而标准化回归系数，它反映的是自变量每变化1个标准差时，对因变量变化1个标准差产生的影响。

在计算每增加1个标准差对应的回归系数时，我们只需要对原始自变量进行标准化处理；而如果要计算标准化回归系数，则需要对原始的自变量和因变量同时进行标准化处理，标准化为标准正态分布对应的值后再构建回归模型。

一、研究实例

某研究人员收集了100名研究对象的最大摄氧量（VO2 max），并记录了他们的年龄、体重、心率等信息，拟探讨年龄、体重、心率对VO2 max的作用大小，同时评价上述哪一个因素对VO2max的影响作用更大。

二、操作步骤

1、多重线性回归

(操作步骤参考文章《SPSS实例教程：多重线性回归》)

根据多重线性回归分析的结果，回归方程可写为：

VO2 max = 72.581 – 0.188 * age – 0.184 * weight – 0.059 * heart_rate

其实不难发现，在SPSS的回归结果中，不仅展示了未标准化回归系数（Unstandardized Coefficients），同时也得出了标准化回归系数（Standardized Coefficients）。

注意，未标准化回归系数更大的自变量，其标准化回归系数不一定更大。例如本例中，age的未标准化回归系数绝对值为0.188，大于weight的绝对值0.184，但是weight的标准化回归系数绝对值为0.325，却大于age的标准化回归系数绝对值0.200，说明weight对于VO2 max的影响较age更大。

2、数据标准化处理

虽然SPSS在回归结果中可以直接输出标准化回归系数，但为了加深对它的理解，我们可以亲自对数据进行一遍标准化处理，对上述结果进行一下验证。

Analyze → Descriptive Statistics → Descriptives → Save standardized values as variables

通过上述步骤分别生成4个标准化处理后的新变量。

3、标准化回归系数

在进行多重线性回归时，以VO2 max的标准化形式作为因变量，以age、 weight、 heart_rate的标准化形式作为自变量构建模型。结果发现，所得的结果与上述结果一致。

今天我们介绍了未标准化回归系数、每变化1个标准差的回归系数、以及标准化回归系数，最后再跟大家补充一下三者之间的相互转换关系。

每变化1个标准差的回归系数 = 未标准化回归系数 * 该自变量的标准差

标准化回归系数 = 未标准化回归系数 * 该自变量的标准差 / 因变量的标准差

大家可以根据上述转换关系自行进行验证哈。

哦，对了，细心的同学会发现，在SPSS中多重线性回归可以直接输出标准化回归系数，但是在logistic回归中，SPSS只能输出原始的未标准化的回归系数，如果我们想要计算logistic回归的标准化回归系数，比较不同自变量对因变量的相对作用大小，应该怎么办呢？

根据上述标准化回归系数的转换关系，在logistic回归中随机变量分布函数的标准差为π / √3 = 1.8138^[1]，故标准化回归系数 = 未标准化回归系数 * 该自变量的标准差 / 1.8138，即可计算logistic回归的标准化回归系数。

参考文献

[1] 宋娜. 多元Logistic分布及其参数估计[D]. 北京工业大学, 2007.

扫码关注“医咖会”公众号，及时获取最新统计教程！