企业官网建设流程全解析

Lasso回归结果解读

一、分析方法概述

Lasso回归（Least Absolute Shrinkage and Selection Operator）是一种带有L1正则化惩罚项的线性回归方法，由Tibshirani（1996）提出。其核心思想是在最小二乘估计的基础上，对回归系数的绝对值之和施加约束，使得部分回归系数压缩为零，从而实现变量选择和参数估计的双重目的。Lasso回归特别适用于自变量之间存在多重共线性或自变量个数较多的情况，能够有效筛选出对因变量有重要影响的变量。正则化参数λ（K值）控制着惩罚力度，λ越大，被压缩为零的系数越多。本研究使用SPSSAU软件进行Lasso回归分析。

在SPSSAU【进阶方法】模块选择【Lasso回归】，将变量拖拽至右侧对应分析框，操作如下图：

二、模型拟合情况

本研究将研发投入强度、研发人员占比、成本压力、原材料涨价、数字化投入、市场扩张、资产周转、组织冗余作为自变量，经营绩效作为因变量进行Lasso回归分析，正则化参数K值取为0.010。表1展示了模型的整体拟合情况。

由表1可知，模型R²值为0.901，表明8个自变量可以共同解释经营绩效90.1%的变异，模型拟合效果非常好。调整R²值为0.898，与R²接近，说明模型不存在明显的过拟合问题。模型误差RMSE为0.880，预测误差较小。

三、ANOVA方差分析

表2展示了模型的ANOVA方差分析结果，用于检验模型整体是否具有统计意义。

由表2可知，回归平方和为1834.616，残差平方和为201.336，F统计量为285.895（df1=8，df2=251），p=0.000<0.001，模型通过F检验，说明8个自变量中至少有一个对经营绩效具有显著影响，模型整体具有统计意义。

四、Lasso回归系数分析

表3展示了Lasso回归的详细结果，包括非标准化系数、标准化系数、t统计量和p值。

由表3可知，Lasso回归通过L1正则化将部分变量的系数压缩为零，实现了变量筛选效果。具体分析如下：

（1）研发投入强度的非标准化系数B=2.130（t=11.233，p<0.001），标准化系数Beta=0.542，对经营绩效具有极其显著的正向影响，是影响最大的变量。每增加1个单位的研发投入强度，经营绩效预计提升2.130个单位。

（2）成本压力的非标准化系数B=-0.661（t=-3.879，p<0.001），标准化系数Beta=-0.472，对经营绩效具有极其显著的负向影响。每增加1个单位的成本压力，经营绩效预计下降0.661个单位。

（3）市场扩张的非标准化系数B=0.115（t=2.125，p=0.035<0.05），标准化系数Beta=0.110，对经营绩效具有显著的正向影响，但影响程度相对较小。

（4）原材料涨价（B=0.000，p=1.000）、数字化投入（B=0.000，p=1.000）、资产周转（B=0.000，p=1.000）和组织冗余（B=0.000，p=1.000）的系数均被Lasso正则化压缩为零，对经营绩效无显著影响。研发人员占比（B=0.120，p=0.520>0.05）虽然系数未完全为零，但未达到显著水平。

五、图形展示

图1 Lasso回归系数路径图

由图1的系数路径图可以直观看出，随着正则化参数λ的变化，各自变量的回归系数呈现不同的收缩轨迹。研发投入强度和成本压力的系数在较大的λ范围内仍保持非零值，说明这两个变量是最稳健的预测因子。原材料涨价、数字化投入、资产周转和组织冗余的系数较早被压缩为零，表明这些变量对模型的贡献有限。

六、模型公式

根据Lasso回归结果，最终模型公式为：经营绩效=3.440+2.130×研发投入强度-0.661×成本压力+0.115×市场扩张。其中，研发投入强度、成本压力在0.001水平上显著，市场扩张在0.05水平上显著。研发人员占比、原材料涨价、数字化投入、资产周转和组织冗余被Lasso正则化筛选剔除或系数不显著。

七、综合分析与结论

综合以上分析结果，本研究通过Lasso回归考察了8个自变量对经营绩效的影响关系。主要结论如下：（1）模型整体拟合效果优秀（R²=0.901，F=285.895，p<0.001）；（2）Lasso正则化有效筛选出3个显著变量：研发投入强度（Beta=0.542，正向影响最大）、成本压力（Beta=-0.472，负向影响）和市场扩张（Beta=0.110，正向影响）；（3）原材料涨价、数字化投入、资产周转和组织冗余被压缩为零，对经营绩效无显著影响；（4）研发投入强度是影响经营绩效最重要的因素。

综上所述，Lasso回归有效解决了多变量共线性问题并实现了变量筛选。建议企业在提升经营绩效时，优先加大研发投入强度，同时关注成本压力的控制，并适度推进市场扩张策略。