回归建模的基础与要领(Ⅳ)——样品状态与相互间关系

本文目的是介绍回归建模的基础与要领之四,即"样品状态与相互间关系"。首先,介绍"样品状态",分为"单个体型样品"和"多个体型样品";其次,介绍"样品间相互关系",即"全部样品在空间中分布的相对位置",需要借助"几何方法"来展现。然而,在高维空间中,"几何方法"非常难以实现,取而代之的是"代数方法",即寻找合适的"权重系数",以体现各样品(或试验点)在全部资料中的"重要性"。本文的结论是:无论是直线回归分析还是多重线性回归分析,采取"加权最小平方法"建模比采取"普通最小平方法"建模的效果好;而且,若能选取"合适的权重系数"并采取两次加权最小平方法建模,回归模型的拟合效果会更好。     

经典统计的回归模型概述

本文目的是系统全面地总结和归纳经典统计中的回归模型及其合理选用的要领。具体方法是先按因变量的性质分为定量因变量与定性因变量两大类,再分别按自变量所具备的不同前提条件,并基于经典统计思想构建相应的回归模型。初步结果为:在定量因变量的场合下,经典回归模型大致有16种不同情形;而在定性因变量的场合下,经典回归模型大致有6种不同情形。总之,在构建经典回归模型时,应当依据因变量的性质和自变量所具备的前提条件,选择最合适的回归模型,才能达到比较理想的统计分析目的。     

回归建模的基础与要领(Ⅰ)——统计模型种类的划分方法

本文目的是介绍如何划分"统计模型的种类"。首先,介绍与"统计模型"有关的基本概念;其次,陈述从"不同角度划分统计模型"的构想;最后,分别基于"统计特性""统计功能"和"预测结果"三个角度,给出更具有实际意义的"统计模型分类结果"。得到的结论是:基于"预测结果"划分统计模型,可以获得"最少种类"的划分结果;而且这种划分方法对实际工作者选择合适的统计模型具有更直接的指导作用。     

适应性回归分析(Ⅳ)——与非适应性回归分析的比较

本文目的是分析一个已知真实情况的资料,比较适应性回归分析与非适应性回归分析建模的效果。结论如下:当资料中存在与因变量确有关系的自变量时,ADAPTIVEREG过程具有较好的甄别能力;REG过程具有较好的甄别能力,但需要满足一定条件,即采用"前进法"或"逐步法"筛选自变量,同时还需要"假定模型包含截距项"。当资料中不存在与因变量确有关系的自变量时,ADAPTIVEREG过程几乎完全失去了甄别能力;REG过程具有较好的甄别能力,但需要满足一定条件,即采用"前进法"筛选自变量,同时还需要"假定模型包含截距项"。若研究者基于"基本常识"和"专业知识"确定的自变量都与因变量有关系,对因变量进行Logistic变换,并且,假定回归模型中不含截距项时,会在回归模型中保留非常多的自变量。     

回归建模的基础与要领(Ⅱ)——偏态分布计量资料的变换

本文目的是介绍如何将呈偏态分布计量资料变换为近似服从正态分布计量资料的方法。首先,明确指出:在经典统计学中,参数统计分析方法常需要将呈偏态分布计量资料变换为呈正态分布(至少是对称分布)计量资料。其次,介绍常用计量资料变换方法,有如下4种:(1)对数变换法;(2)平方根变换法;(3)倒数变换法;(4)Box-Cox变换法。最后,通过实例,介绍基于SAS软件和Box-Cox变换法实现对正偏态分布和负偏态分布计量资料成功变换为呈正态分布计量资料的方法。需要注意的是:(1)变换不一定都能成功;(2)有时需要将多种变换方法结合使用;(3)变换主要用于计量的结果变量(适用场合为基于参数法的差异性分析、区间估计和回归分析)。     

主成分分析应用(Ⅰ)——主成分回归分析

本文目的是介绍主成分回归分析的概念、作用以及用软件实现计算的方法。先对自变量进行主成分分析,然后将主成分变量视为新的自变量,再进行多重线性回归分析。通过不引入和引入派生变量以及采取不同的策略筛选自变量,可以获得多个合格的多重线性回归模型。在回归模型自由度接近相等时,基于残差方差最小、复相关系数最大为评价指标,从众多回归模型中优中选优。得出的经验为:应慎用主成分回归分析。     

变量变换回归分析(Ⅲ)——寻找理想试验点的方法

本文目的是介绍一种特殊的处理多因素试验设计一元定量资料差异性分析方法,即结合分析法。通常情况下,处理多因素试验设计一元定量资料应采用方差分析。但是,此方法无法给出各对影响因素"重要性"的评价,也无法给出因素各水平的"效用值",更无法给出"理想试验点"。本文通过对一个实例的全面解析,显示了SAS中的TRANSREG过程具有很强且多样性的变量变换能力,它集方差分析、回归分析和结合分析于一体,能够很好地处理不符合传统统计学要求的复杂资料,能够实现前述期望达到的目的。     

适应性回归分析(Ⅲ)——构建具有混合结构的回归模型

本文目的是通过两个实例介绍适应性回归样条算法对具有混杂结构的数据集进行回归建模的实践。当一个数据集包含多个不同的回归模型时,只要给定分类变量的具体取值,SAS中的"ADAPTIVEREG过程"可以比较准确地发掘出其内在规律,并以图形方式呈现模型对资料的拟合效果,还能呈现由"基函数"及其组合所构造出的"回归模型"。图形呈现的结果确实可以给分析者提供一些有价值的"分析线索"或"积极暗示",缩小"探索性研究的空间"。     

多重线性回归分析的核心内容与关键技术概述

目的本文目的是概述多重线性回归分析的核心内容与关键技术。其核心内容有以下四点:第一,构建多重线性回归模型的方法和求解参数的方法;第二,进行回归诊断的意义和方法;第三,筛选自变量的意义和方法;第四,评价模型拟合效果的方法。其关键技术是如何基于经典统计思想、贝叶斯统计思想和机器学习统计思想实现多重线性回归分析。     

适应性回归分析(Ⅱ)——排除噪声变量的干扰

本文目的是通过分析一个带有8个噪声变量的数据集,揭示适应性回归模型的实际应用价值。在数据集包含两个自变量与因变量有密切数量联系的前提条件下,适应性回归模型受噪声变量的影响接近于零;在数据集包含一个自变量与因变量有密切数量联系的前提条件下,适应性回归模型受噪声变量的影响较大,其分析结果出现了一定程度的"失真";在数据集包含零个自变量与因变量有密切数量联系的前提条件下,适应性回归模型受噪声变量的影响非常大,其分析结果是完全不可信的。得出的结论是:适应性回归分析模型不是万能的,其结果的可信度取决于数据集中是否真正包含"客观存在的规律性"。     

提高回归模型拟合优度的策略(Ⅲ)——校正均值变换与其他变量变换

本文目的是介绍第三种提高回归模型拟合优度的策略,即校正均值变换与其他变量变换。具体方法包括以下几个方面:①对多值名义自变量采取"校正均值变换";②对定量自变量引入派生变量,包括"对数变换""平方根变换""指数变换""平方变换""立方变换"和"交叉乘积变换"的结果;③对定量因变量分别采取"对数变换""平方根变换""指数变换""倒数变换"和"Logistic变换";④构建回归模型时,在假定"包含截距项"与"不含截距项"的条件下,分别采取"前进法""后退法"和"逐步法"筛选自变量。得到了如下结论:①对定量因变量和自变量不做变量变换时,回归模型的拟合优度非常低;②根据资料所具备的条件,对定量因变量采取不同的变量变换方法,其回归模型的拟合优度是不同的;③对多值名义自变量进行"校正均值变换"是合理的,且有助于提高回归模型拟合优度;④对定量自变量引入派生变量是非常有价值的;⑤假定回归模型中不含截距项有助于提高回归模型的拟合优度。     

变量变换回归分析(Ⅳ)——偏好评分资料的结合分析法

本文目的是介绍偏好评分资料的数据结构及其对应的结合分析方法。产生此类资料的场合类似于"多因素析因设计或正交设计",但计量结果变量的取值在一定程度上受到评价者主观或偏好的影响。结合分析模型是基于各属性(或因素)的"分值效用或水平效用"可以"简单叠加"的假定成立的条件下构造出来的,当实际问题符合此假定时,其分析结果是正确的;否则,要慎重使用。必要时,需要选择其他统计模型。本文通过一个实例,并利用SAS中TRANSREG过程演示实现结合分析的详细步骤。     

提高回归模型拟合优度的策略(Ⅰ)——哑变量变换与其他变量变换

本文目的是介绍第一种提高回归模型拟合优度的策略,即哑变量变换与其他变量变换。具体方法包括以下几个方面:①对多值名义自变量采取"哑变量变换";②对定量和有序自变量引入派生变量,包括"对数变换""平方根变换""指数变换""平方变换""立方变换"和"交叉乘积变换"的结果;③对定量因变量分别采取"对数变换""平方根变换""指数变换""倒数变换"和"Logistic变换";④构建回归模型时,在假定"包含截距项"与"不含截距项"的条件下,分别采取"前进法""后退法"和"逐步法"筛选自变量。得到了如下几个结论:①对定量因变量和自变量不做变量变换时,回归模型的拟合优度非常差;②根据资料所具备的条件,对定量因变量采取不同的变量变换方法,其回归模型的拟合优度是不尽相同的;③对多值名义自变量进行"哑变量变换"是常规的做法,但存在不足之处;④对定量自变量引入派生变量是非常有价值的;⑤假定回归模型中不含截距项有助于提高回归模型的拟合优度。     

变量变换回归分析(Ⅰ)——拟合含间断点资料的方法

本文目的是介绍一种能很好地拟合具有间断点资料的方法。当资料中具有明确的间断点或整个资料包含多段不同变化趋势的曲线类型时,为了提高曲线回归模型对资料的拟合优度,需要充分发挥"节点"的作用。可基于两种不同视角来利用"节点":其一,人为设定不同数目的节点,利用样条变换方法拟合分段多项式曲线;其二,在客观存在的节点上,求曲线的一阶乃至四阶导数,并据此构建曲线回归模型。得到的结论是:后者的拟合效果优于前者。     

变量变换回归分析(Ⅱ)——拟合近似呈均匀分布资料的方法

本文利用SAS帮助数据库中的一个数据集sashelp.enso,介绍对自变量进行样条变换后的曲线回归分析方法。在SAS/STAT的TRANSREG过程中,涉及到六种样条变换方法,分别为:B-样条变换、B-样条基函数变换、单调B-样条变换、非迭代惩罚B-样条变换、迭代光滑样条变换、非迭代光滑样条变换。获得的结论是:在确保R~2≈0.7且回归模型尽可能精简的条件下,非迭代惩罚B-样条变换与迭代光滑样条变换两种方法是以上六种方法中最好的曲线回归建模方法,这两种方法的拟合效果几乎完全相同。     

精神医学中的生物统计学(5):二元结果变量与逻辑回归模型(英文)

Biomedical researchers often study binary variables that indicate whether or not a specific event,such as remission of depression symptoms,occurs during the study period. The indicator variable Y takes two values,usually coded as one if the event ( remission) is present and zero if the event is not present ( non-remission) . Let p be the probability that the event occurs ( Y= 1) ,then 1-p will be the probability that the eventdoes not occur ( Y = 0) . The odds that an event will oc-cur is a quantity defi...     

适应性回归分析(Ⅰ)——回归模型的构建与求解

本文目的是介绍适应性回归模型的构建与求解方法。众所周知,在自变量数目很多时,就会出现维数灾难,此时,统计学家倾向于采用非参数回归模型取代参数回归模型。然而,当自变量数目大到一定程度时,普通的非参数回归模型也不堪重负,于是,适应性回归样条算法应运而生。此法由以下几种统计技术组成:①特殊的变量变换;②基于向前选择法构建过拟合回归模型,再基于向后选择法"修剪"回归模型;③基于"减少在向前选择的每个步骤中,检验B、V和t的组合的数目"的基本思想,实现快速算法;④借助"GCV"和"LOF"作为"拟合优度"的界值,评价已构建的回归模型的拟合效果。此法为复杂数据结构的回归建模提供了新思路。     

提高回归模型拟合优度的策略(Ⅱ)——算术均值变换与其他变量变换

本文目的是介绍第二种提高回归模型拟合优度的策略,即算术均值变换与其他变量变换。具体方法包括以下几个方面:①对多值名义自变量采取"算术均值变换";②对定量自变量引入派生变量,包括"对数变换""平方根变换""指数变换""平方变换""立方变换"和"交叉乘积变换"的结果;③对定量因变量分别采取"对数变换""平方根变换""指数变换""倒数变换"和"Logistic变换";④构建回归模型时,在假定"包含截距项"与"不含截距项"的条件下,分别采取"前进法""后退法"和"逐步法"筛选自变量。得到了如下结论:①对定量因变量和自变量不做变量变换时,回归模型的拟合优度非常差;②根据资料所具备的条件,对定量因变量采取不同的变量变换方法,其回归模型的拟合优度是不同的;③对多值名义自变量进行"算术均值变换"是合理的,且有助于提高回归模型拟合优度;④对定量自变量引入派生变量是非常有价值的;⑤假定回归模型中不含截距项有助于提高回归模型的拟合优度。     

提高回归模型拟合优度的策略(Ⅳ)——优化计分变换与其他变量变换

本文目的是介绍第四种提高回归模型拟合优度的策略,即优化计分变换与其他变量变换。具体方法包括以下几个方面:①第一,对多值名义自变量采取"优化计分变换";②对有序自变量分别采取"单调变换"与"优化计分变换";③对定量自变量分别采取"样条变换"和"单调样条变换";④对定量因变量分别采取"样条变换""单调样条变换"和"BOX-COX变换"。全部变量变换方法组合起来共12种,共创建了12个多重非线性回归模型。依据"拟合优度评价指标"的取值,从12个回归模型中挑选出一个,即本文中的"模型1",其"均方误差平方根=0.30935、R~2=0.9586、调整R~2=0.9527"。结合本期科研方法专题同类文章的结果和结论,得出提高回归模型拟合优度的策略主要在于以下四点:①应对"定量因变量""定量自变量"和"多值有序自变量"采取合适的变量变换方法;②在拟合回归模型的过程中,应尽可能多地引入派生变量;③应假定回归模型中不含截距项;④在构建回归模型的过程中,应尽可能多地使用筛选自变量的策略,如"前进法""后退法"和"逐步法"。     

癫(癎)持续状态的急救与护理

癫(癎)持续状态是指癫(癎)发作持续时间长或反复发作、间歇较短的各种癫(癎)状态.临床上可引起意识、运动、行为和植物神经等不同障碍,若不及时控制,轻者造成大脑不可逆性损害,重者危及病人生命,故应作急症处理.本文收集了2004-01～2007-07住院的癫(癎)持续状态患者28例,由于抢救及时,护理得当均在较短时间内控制惊厥,意识恢复.现将抢救与体会总结如下.