---
title: "逐步迴歸分析（Stepwise Regression）"
slug: stepwise-regression
language: zh-TW
source: https://aiterms.tw/terms/stepwise-regression
updated_at: 2026-07-04
tags: [機器學習, 統計方法, 特徵工程, source:ipas]
ipas_term: true
---

# 逐步迴歸分析（Stepwise Regression）

逐步迴歸分析是一種特徵選擇演算法，透過反覆加入或移除自變數，建立預測目標變數的最佳統計模型。

## 完整說明

逐步迴歸分析是一種自動化的特徵工程與統計建模方法，用於在多個候選變數中篩選出對預測模型最有貢獻的子集，能夠降低模型複雜度並減少過度擬合。常見應用包括經濟預測、醫學數據分析及機器學習的特徵選擇。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 逐步迴歸分析是否能夠解決多重共線性的問題？

逐步迴歸分析雖然可以在一定程度上緩解多重共線性，但它並不是解決此問題的最佳工具。當自變數之間存在高度相關性時，向前選擇或向後淘汰的過程可能會變得極不穩定。某一個變數是否被選入模型，可能僅僅取決於微小的資料波動。在嚴重的共線性情況下，演算法可能會選出錯誤的代表性變數，甚至導致保留的變數係數估計失真。對於存在強烈共線性的資料集，通常更建議使用主成份分析進行特徵轉換，或採用具備 L2 正規化的 Ridge 迴歸與彈性網路，這些方法能更穩健地處理變數間的依賴關係，避免單純依賴逐步篩選所帶來的風險。

### 為什麼現代機器學習實務中越來越少使用傳統的逐步迴歸分析？

現代機器學習實務逐漸傾向使用正規化技術（如 Lasso 迴歸）而非傳統逐步迴歸，主要原因在於逐步迴歸存在幾個固有的統計缺陷。逐步迴歸基於貪婪演算法，容易陷入局部最佳解；頻繁的假設檢定會大幅增加偽陽性錯誤率，導致模型過度擬合。此外，由於特徵選擇過程沒有被納入標準誤的計算中，傳統逐步迴歸輸出的信賴區間往往過度自信。相比之下，Lasso 迴歸不僅能同時完成參數估計與特徵選擇，在數學理論上也更加嚴謹，面對高維度數據時能展現出更穩定的泛化能力，因此在許多資料科學專案中被廣泛應用。

### 在什麼樣的情境下，使用逐步迴歸分析仍然是個合理的決定？

儘管逐步迴歸有其限制，但在某些特定情境下仍然是一個合理的分析工具。例如，當資料維度適中，且研究重點在於快速探索變數關係並建立一個易於解釋的基礎線性模型時，逐步迴歸能提供直觀的特徵篩選路徑。在傳統統計領域，如果模型建構的目的是為了進行探索性資料分析，而非精準的機器學習預測，逐步迴歸配合赤池資訊量準則可以幫助研究者初步掌握變數的相對重要性。此外，在某些嚴格要求模型決策邏輯必須完全透明，且只能使用簡單線性公式的合規性應用中，雙向逐步選擇仍是一種可接受的實務做法。

---

來源：https://aiterms.tw/terms/stepwise-regression
快查頁：https://aiterms.tw/terms/stepwise-regression
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-stepwise-regression