岭回归会不会像 Lasso 那样把楼层收到确切的 0？

本页不会。楼层标准化系数是 10.8619，总楼层 5.0528，建筑年份 2.7541，都不是 0。L2 约束是圆盘，路径光滑地挤系数，一般不停在坐标轴上。同一套住房列在 Lasso、α=12.0645 时后三列才是 0。若论文需要「关掉哪些列」，不要用本页的非零行去冒充变量选择。

1-SE 的 α=298.2471 会不会把楼层压到确切的 0？

不会。L2 的可行域是圆盘，α 再大也只是把楼层 10.8619、总楼层 5.0528 往原点挤，路径一般不停在坐标轴上。1-SE 的 298.2471 会让这三列更扁，但主表仍按 CV-min 的 11.2421 报告，四行都非零。若你需要确切的 0，应改 Lasso，而不是把岭的 1-SE 端点当成变量选择。

主表已经按 α=11.24 填了系数，稳健性段落能不能改贴 α=298 那一套？

可以写对照，不要偷换。167.9708 / 10.8619 这一套只属于 CV-min 的 11.2421。α=298.2471 的岭迹端点更扁，R² 也会变。稳健性应另报一行「1-SE α 下的标准化系数」，并声明主表仍是 CV-min。把 298 的惩罚套到 11.24 的格子上会自相矛盾。

先在 SPSS 里把四列标准化再跑普通线性回归，能对上面积 167.9708 吗？

对不上。那是 α=0 的 OLS，标准化后仍无 L2 圆盘。岭系数必须在同一 α=11.2421、同一折数网格上用 Ridge / glmnet（混合参数取纯 L2）才接近 167.9708 与楼层 10.8619。SPSS 基础「线性回归」没有 Alpha，不要用它的 B 来验收本页。

R² 只比 Lasso 高 0.003，为什么还要跑岭？

0.2995 对 0.2964 几乎没有预测增益。岭的理由是**名单完整**：楼层、总楼层、建筑年份仍在式子里，符号与相对大小还能讲故事。Lasso 用近乎相同的 R² 换来三列确切的 0。若评审要的是短方程，听 Lasso；若每一列都有理论位置、只是共线让 OLS 发抖，听岭。

岭回归 · StatsX

这篇能回答什么

岭回归回答的是：「这些定量 X 互相牵扯时，怎样得到一套方向稳定的线性预测权重」。普通最小二乘在 X′X 接近奇异时会把斜率放大、符号翻来翻去。L2 在平方损失上对 ‖β‖₂² 抽税，等价于把 X′X 的对角线垫高 α，求

税越重，系数越往 0 靠，但 L2 的几何是圆盘约束：路径光滑，坐标一般不会停在精确的 0。本教学表四个住房特征全部留下非零权重：面积(平米) 167.9708、楼层 10.8619、总楼层 5.0528、建筑年份 2.7541。同一套列若改跑 Lasso回归，后三列会变成确切的 0——那是 L1 菱形约束的角点，不是岭。

什么时候不该用

假说已经写死变量名单、你要的是带标准误与 t 的推断表，回到线性回归。目标是自动关掉多余列、交出稀疏式子，用 Lasso。按理论分块看 ΔR²，用分层回归。让偏 F 一条条进进出出，才是逐步回归。总价这种连续 Y 才能进本页；是否成交请改逻辑或 Probit。

如何选择方法

分水岭是「能不能接受某一列从方程里消失」。每个特征都有业务故事、共线只是让数字发抖 → 岭。探索阶段宁可少几列、接受交叉验证选变量 → Lasso。名单不可谈判 → OLS。候选很多又想看离散搜索路径 → 逐步。岭与 Lasso 的 α 都由交叉验证挑；逐步没有这条连续路径，名义 p 值会偏乐观。

岭回归：L2，CV 选 α，系数收缩但本例四列皆非零；输出标准化系数、R²、MSE、1-SE α 与岭迹。
Lasso：L1，同一张住房表上只留面积，楼层三列打成 0。
OLS：无惩罚，给 B、Beta、VIF 与 F，共线时标准误膨胀。
逐步回归：偏 F / AIC 离散搜索，不是连续收缩。

Lasso回归

带有 L1 正则化惩罚项的线性回归模型，极其擅长高维特征的变量筛选与降维。

线性回归（最小二乘法）

用于确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法；定类自变量自动虚拟变量编码，亦支持按分组变量进行分组建模对比。

逐步回归

按进入/剔除准则逐步筛选自变量，得到较精简的线性回归方程。

分层回归 (Hierarchical Regression)

在控制已知变量的影响后，评估新加入的变量块对模型解释力的额外贡献（ΔR²）。

输入、输出与限制

输入

因变量恰好 1 个定量列。自变量全部定量，至少 2 个、至多 50 个（比 Lasso 的 100 列上限更紧）。按这些列成表删除缺失。拟合前对 X 做标准化，Y 保持原始万元单位。

自变量：最少 2 个，最多 50 个（定量）。
因变量：最少 1 个，最多 1 个（定量）。

输出

系数表列出每个自变量的标准化回归系数。表注给出 R²、MSE、交叉验证最优 Alpha、1-SE 准则 Alpha 与原始量纲常数项。图为岭迹（系数随 α 变化）或交叉验证误差曲线。本页没有标准误、t 或 p。

产品限制

有效行数至少 5（交叉验证折数取 min(5, n)，随机种子固定）。
α 网格为 logspace(−2, 4) 共 60 档；主表按 CV 最小均方误差那一档重拟合全样本。
1-SE 准则在「CV 误差不超过最小值加一个标准误」的前提下取更大的 α，本页为 298.2471，远大于 CV 最优 11.2421。
系数没有推断列：非零不等于显著。
高基数编号、定类原文不要直接进 X。

案例

研究问题。 综合评价住房表里，面积、所在楼层、总楼层与建筑年份都和总价有关，而且彼此重叠。研究者希望四条特征都留在预测式里，只把被共线放大的斜率按住，而不是让算法把楼层整列关掉。

教学示例工作表为「Sheet1」。自变量勾选面积(平米)、楼层、总楼层、建筑年份，因变量勾选总价(万元)。交叉验证选出 Alpha = 11.2421，R² = 0.2995，MSE = 68765.2450。四列标准化系数分别是 167.9708、10.8619、5.0528、2.7541，没有一列落到 0。有效行数以成表删除后的工作台输出为准。下载后按同样角色可复现系数表。

下载教学示例表（综合评价）

在 StatsX 中操作

步骤 1 · 放入住房表

打开工作台，把综合评价 xlsx / CSV / JSON 拖进上传区。确认工作表名为「Sheet1」。单文件不超过 20 MB。
步骤 2 · 核定量、挡标识

画像里总价、面积、楼层、总楼层、建筑年份都应是定量。小区名、房源编号留在角色外面。
步骤 3 · 点「岭回归」而不是 Lasso

目录搜索「岭」或 Ridge。卡片写 L2 / 共线稳定。旁边的 Lasso 会把弱列收到 0，点错页就对错表。
步骤 4 · 四列特征对总价

自变量勾选面积(平米)、楼层、总楼层、建筑年份（2–50 个）；因变量勾选总价(万元)。运行分析。
步骤 5 · 先看有没有 0，再看两个 Alpha

四行都应是非零标准化系数。记下 CV α 与更保守的 1-SE α，最后看 R²。不要把 167.97 读成「每平米涨 168 万」。

确认总价与四列特征为定量，标识列不进入。

如何阅读输出

下表由同一份住房教学表示例在 StatsX 中运行岭回归得到。面积(平米) = 167.9708，楼层 = 10.8619，总楼层 = 5.0528，建筑年份 = 2.7541。表注：R² = 0.2995，MSE = 68765.2450，CV 最优 Alpha = 11.2421，1-SE Alpha = 298.2471，常数项 = 457.3520（总价的原始万元尺度）。四行都不是 0：L2 只收缩，不删除。

岭回归 (Ridge, L2正则化) 分析结果

自变量	标准化回归系数(Coef)
面积(平米)	167.9708
楼层	10.8619
总楼层	5.0528
建筑年份	2.7541

模型评估: R² = 0.2995 | MSE = 68765.2450 | 最佳惩罚系数 Alpha = 11.2421 | 1-SE 准则 Alpha = 298.2471 | 常数项 = 457.3520

岭回归标准化系数与 Alpha 表注 — 工作台系数表应与上表一致：四列皆非零。

岭迹与交叉验证误差曲线 — 岭迹上系数随 α 增大一起被压扁，不会在某一档突然变成空行；完整数字以表为准。

阅读顺序：有效行数 → 四行是否都非零 → 面积是否仍是数量级最大的权重（167.9708）→ CV α=11.2421 与 1-SE α=298.2471 不要混用 → R²=0.2995 只解释约三成总价变异。常数项 457.3520 是标准化特征取 0 时的预测，约在 Y 的均值位置。面积与总价近乎定义性相关，所以它的权重量级最大；楼层 10.8619、总楼层 5.0528 仍留下，说明惩罚没有把「楼层故事」从式子里抹掉——这和 Lasso 在 α=12.0645 时只留面积、R²=0.2964 形成对照。R² 只高约 0.003，换来的是完整特征名单，不是更高的预测精度。

理论与公式

先把各列 X 标准化为均值 0、方差 1，再解惩罚最小二乘。与 Lasso 的 ‖β‖₁ 不同，岭用欧氏范数的平方：

α=0 退回 OLS。α→∞ 时斜率整体压向 0，截距不进惩罚，故常数项留在原始 Y 尺度。StatsX 在 60 档对数网格上做最多 5 折交叉验证，取验证均方误差最小的 α；本页 11.2421。1-SE 规则在误差预算内选更大的 α（本页 298.2471），主表系数仍按 CV-min 报告。R² 在标准化 X、原始 Y 的拟合上计算，本页 0.2995。

注意事项

标准化系数不能写成「面积每增加 1 平米，总价增加 167.9708 万元」。
四列非零只说明 L2 没有角点删除，不证明每一列都「显著影响房价」。
没有 p 值：不要把 2.7541 的建筑年份叫做统计显著。
R²=0.2995 说明仍有七成总价变异在线性岭之外，不宜写成高精度定价器。
1-SE 的 298.2471 会把系数压得更扁；论文方法节必须写明报告的是 CV-min 还是 1-SE。
总价≈单价×面积时，面积权重量级偏大是代数结构，不是新发现。

常见问题

参考文献

Hoerl, A. E., & Kennard, R. W. Ridge regression: Biased estimation for nonorthogonal problems[J]. Technometrics, 1970, 12(1): 55–67.
Hastie, T., Tibshirani, R., & Friedman, J. The Elements of Statistical Learning. Springer.
何晓群, 刘文卿. 应用回归分析[M]. 中国人民大学出版社.
Tibshirani, R. Regression shrinkage and selection via the lasso[J]. Journal of the Royal Statistical Society: Series B, 1996, 58(1): 267–288.