这取决于您的研究问题。你想做出预测吗？- 然后您需要将数据集拆分为training样本test。

但是，如果您更有兴趣回答以下问题：X1、X2、X3 和 X4 分别对 Y 有什么影响？然后你对估计感兴趣。为此，您无需拆分样本，但必须针对基础模型假设（例如异方差性、残差的自相关等）测试您的数据集以获得无偏/准确的估计。

对于 OLS（线性回归），这些模型假设遵循Gauss-Markov-Theorem。

大多数模型假设的统计测试已经在 R 中实现：

• 自相关检验 - Breusch-Godfrey - bgtest
• 异方差检验 - White 检验 - het.test
• 正态性检验 - Jarque Bera 检验 - jarque.bera.test

然而，即使是测试也会对您的数据做出一些假设——但这些测试是最常见的。

更新 - 澄清示例

根据你的评论。想象一下这个现实生活中的问题。您想建立一个模型，使用年龄、血压、体重、胆固醇值等变量来预测癌症 (y) 的几率。 (X1, X2, X3, X4)

要评估变量的性质及其关系，您需要进行描述性分析（均值、方差等）+ 相关性分析。

我们来看看下面的数据。（黄色记录将是您的测试样本 - 您在现实生活中没有的数据，因为这些患者还没有看过医生）。

如您所见，均值和方差可能已经有很大差异，具体取决于您是否在计算中包含测试样本。

现在我们来到相关部分 - or 之间的关系independent variables也称为predictors

我强调了体重和胆固醇之间的关系。如果没有测试样本，体重和胆固醇似乎不相关或只有轻微的正相关。如果我们添加测试数据，结果是相关性变为负数。

问题：如果变量之间的相关性会影响您variable selection对模型的选择，那么将测试样本包含在相关性分析中是否有意义？特别是，知道这些数据在现实生活中还不可用。

记住模型估计：如果你建立了一个多元回归模型mean，variance并且covariance被用来找到最好的参数来估计你的dependent variable（癌症）。因此，已经trained包含所有可用数据的模型可能会做出更好的预测，因为它已经拥有seen应该预测的数据。

概括

每当您计划使用模型进行预测时，您都应该尽可能接近现实生活中的假设。因此，您将数据拆分为训练数据 - 测试数据。您使用训练数据来执行所有测试和检查，并且在做出预测之前ònly您不会触及这些数据。test set

我相信您想评估变量之间的关联，因此最好在拆分之前对完整数据集执行相关性。此外，这将有助于选择特征变量以防止数据泄漏。https://towardsdatascience.com/preventing-data-leakage-in-your-machine-learning-model-9ae54b3cd1fb