例： （hald,1960）hald 資料是關於水泥生產的資料。某種水泥在凝固時放出的熱量 y（單位：卡/克）與水泥中 4 種化學成品所佔的百分比有關：
在生產中測得 12 組資料，見表5，試建立 y 關於這些因子的「最優」回歸方程。
對於例 4 中的問題，可以使用多元線性回歸、多元多項式回歸，但也可以考慮使用逐步回歸。從逐步回歸的原理來看，逐步回歸是以上兩種回歸方法的結合，可以自動使得方程的因子設定最合理。對於該問題，逐步回歸的**如下：
x=[7,26,6,60;1,29,15,52;11,56,8,20;11,31,8,47;7,52,6,33;11,55,9,22;3,71,17,6;1,31,22,44;2,54,18,22;21,47,4,26;1,40,23,34;11,66,9,12]; %自變數資料
y=[78.5,74.3,104.3,87.6,95.9,109.2,102.7,72.5,93.1,115.9,83.8,113.3]; %因變數資料
stepwise(x,y,[1,2,3,4],0.05,0.10)
% in=[1,2,3,4]表示x1、x2、x3、x4均保留在模型中
程式執行後一直點next step，直到變灰為止。得到最終執行結果後，檢視r-square值和p值，前者越接近1，後者越接近0，模型越準。
最後的回歸方程為：
y=51.6241+1.47601*x1+0.686734*x2在生產中測得 12 組資料，見表5，試建立 y 關於這些因子的「最優」回歸方程。
python逐步回歸法 逐步回歸的快速實現
forward selection,which involves starting with no variables in the model,testing the addition of each variable using a chosen model comparison criteri...
逐步回歸（R語言）
r軟體提供了非常方便地進行逐步回歸分析的計算函式step 它是以aic資訊統計量為準則，通過選擇最小的aic資訊統計量。來達到提出或新增變數的目的。實現如下 data3.1 lmo3.1 lm3.1.for summary lm3.1.for 輸出結果如下 由上述結果可以看到，前進法一次引入了x5,...
逐步回歸法的基本步驟 逐步回歸法介紹及應用
一 逐步回歸法介紹 逐步回歸的基本思想是通過剔除變數中不太重要又和其他變數高度相關的變數，降低多重共線性程度。將變數逐個引入模型，每引入乙個解釋變數後都要進行f檢驗，並對已經選入的解釋變數逐個進行t檢驗，當原來引入的解釋變數由於後面解釋變數的引入變得不再顯著時，則將其刪除，以確保每次引入新的變數之前...