被解释变量为虚拟变量用什么回归

被解释变量为虚拟变量的回归，通常使用逻辑回归或Probit回归。

逻辑回归是一种广义线性模型，用于预测二分类或多元分类问题。其特点是将连续值的因变量映射到(0,1)区间，使得结果可以解释为概率。在被解释变量为虚拟变量的情况下，逻辑回归可以通过构建一个或多个虚拟变量（即哑变量）来描述分类特征。

Probit回归是另一种处理二分类问题的模型，其原理与逻辑回归类似，但其链接函数不同。逻辑回归使用的是逻辑函数，而Probit回归使用的是标准正态分布的累积分布函数。在某些情况下，Probit回归可能比逻辑回归更合适，例如，当数据不符合逻辑回归的线性假定时。

拓展资料：

1.多元逻辑回归：在有多个虚拟变量的情况下，可以使用多元逻辑回归。每个虚拟变量对应一个参考类，其他类别的概率是相对于参考类的概率。

2.条件逻辑回归：在数据存在自相关或依赖的情况下，可以使用条件逻辑回归。

3.多分类逻辑回归：逻辑回归不仅可以用于二分类问题，还可以用于多分类问题。在这种情况下，每个类别都有一个虚拟变量，模型通过预测每个类别的概率来确定预测类别。

4.确定最佳虚拟变量：在创建虚拟变量时，需要确定一个参考类别。选择参考类别的方法有多种，例如选择最常见的类别，或选择理论上最合理的类别。

5.模型检验：在使用逻辑回归或Probit回归时，需要对模型进行检验，以确保模型的假设得到满足。这包括对线性关系的检验，对残差的检验，以及对多重共线性的检验。

总之，被解释变量为虚拟变量的回归，可以选择逻辑回归或Probit回归。这两种模型都可以处理虚拟变量，但需要根据具体的数据特性和问题需求来选择合适的模型。在模型建立和应用过程中，还需要注意虚拟变量的选择和模型的检验。