我們在進行一般多元線性迴歸時，在SPSS或SAS系統中常會採用四種變數挑選方法，包含四種「強迫輸入法(Enter)」、「逐步法(Stepwise)」、「向前法(Forward)」、「向後法(Backward)」，以下分別進行說明。

一、強迫輸入法(Enter)

此方法將研究者所選取的所有預測變數，無視條件地全部納入迴歸模型中進行估計，不進行任何自動化篩選。無論變數的偏相關係數大小或p值是否顯著，變數均保留於模型中。

這個方式一般而言建議選入的變數要有過去文獻支持，避免選入的無謂變數過多。此外，若迴歸模型中需要放入控制變數進行控制時，基本上也會採用這個方法，因為控制變數在其他方法中容易被自動剔除。

二、逐步法(Stepwise)

逐步迴歸法結合「向前法」與「向後法」的雙向自動篩選機制，系統將變數逐一進入模型並單獨分析其顯著性，模型會挑選出最顯著的變數留下後，接著將第一次留下的變數與剩餘變數進行第二輪篩選，如此疊代(iteration)到最終沒有顯著的變數為止。

在SPSS分析設定中，一般選入的顯著標準設定為p=0.05，實際分析時依據使用者需求而定。通常使用情境為變數較多且無法確認重要的變數時，可以先初步用逐步迴歸找尋可能的重要預測因子之組合。

三、向前法(Forward)

模型由「空模型(Null model)」（僅含截距）開始進行建置，每一步驟挑選對依變數解釋力最強（偏相關最大且達到顯著水準）變數加入模型，一旦變數進入模型後就不會被剔除，如此持續疊代至沒有顯著的變數為止。

四、向後法(Backward)

模型初始時納入所有預測變數，每一步驟檢視模型中的變數，將對依變數解釋貢獻最小（最不顯著）的變數逐一刪除，直到剩餘變數均達到顯著水準為止。

整體而言，我們一般進行分析時，由於要控制較多的背景變數及混淆變數，實際上最常使用的是強迫輸入法。然而，如果當研究者在初步探索階段時，是可以考量其他三種自動篩選方式，通常篩選出來的結果差異應該不會太大。

以上是多元迴歸模型篩選的基礎說明，希望能對您有幫助，若您喜歡的話再給我們一個Google好評，謝謝。