共查询到19条相似文献,搜索用时 31 毫秒
1.
2.
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。 相似文献
3.
4.
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。 相似文献
5.
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。 相似文献
6.
本文目的是介绍基于正交化方法的回归分析的概念、作用以及用软件实现计算的方法。先介绍有关的基本概念,再介绍基本原理,最后通过两个实例并基于SAS软件演示如何实施此分析方法。结果表明:(1)此法不能解决资料中存在多重共线性问题带来的坏影响;(2)此法能够很好地解决多项式回归分析问题。 相似文献
7.
本文目的是介绍基于经典统计思想实现多重线性回归分析的方法。首先,概述基于经典统计思想、贝叶斯统计思想和机器学习统计思想建立多重线性回归模型的基本思路;然后以实际问题为例,全面呈现了多重线性回归分析所需要完成的主要任务;最后,总结多重线性回归分析的适用场合及注意事项。结果表明:产生派生变量、进行自变量筛选和共线性诊断、进行异常点诊断等内容是进行多重线性回归分析的主要任务。在多因素试验或观察性研究中,只要结果变量为计量变量,比较常用且有效的做法是进行多重线性回归分析,应尽可能少用单因素差异性分析。 相似文献
8.
本文目的是介绍如何结合倾向性评分分析,合理地进行多重线性回归分析的方法。第一,介绍了与倾向性评分分析有关的3个基本概念。第二,介绍了倾向性评分分析的核心内容,即3种匹配方法。第三,通过一个流行病学的调查实例,介绍了如何用SAS软件进行分析的全过程,内容如下:(1)针对原始数据集,检验协变量在处理组与对照组之间的差异是否具有统计学意义;(2)针对原始数据集,直接进行多重线性回归分析;(3)采用倾向性评分分析产生匹配后的数据集;(4)针对匹配后的数据集,检验协变量在处理组与对照组之间的差异是否具有统计学意义;(5)针对匹配后的数据集,合理进行多重线性回归分析。 相似文献
9.
本文的目的是介绍非配对设计二值资料一水平多重Logistic回归模型的构建与求解方法。基于SAS软件分别对以列联表和数据库形式呈现的定性资料进行全面分析,并得出了4个对提高模型拟合优度很有价值的结论:第一,若资料以列联表形式呈现,应拟合"加权"Logistic回归模型;第二,若资料中包含定量自变量,不适合将其定性化;第三,若资料中包含定量自变量,应依据定量自变量和二值自变量产生出派生自变量;第四,若资料中有定性自变量时,必须将多值名义或有序自变量进行哑变量变换,不需要依据二值自变量产生出派生自变量。 相似文献
10.
11.
The classical support vector regressions (SVRs) are constructed based on convex loss functions. Since non-convex loss functions to a certain extent own superiority to convex ones in generalization performance and robustness, we propose a non-convex loss function for SVR, and then the concave-convex procedure is utilized to transform the non-convex optimization to convex one. In the following, a Newton-type optimization algorithm is developed to solve the proposed robust SVR in the primal, which can not only retain the sparseness of SVR but also oppress outliers in the training examples. The effectiveness, namely better generalization, is validated through experiments on synthetic and real-world benchmark data sets. 相似文献
12.
13.
14.
15.
本文目的是介绍有限混合模型回归分析的概念、作用以及如何用软件实现计算的方法。先介绍有关的基本概念,再介绍基本原理,最后通过一个实例并基于SAS软件演示如何实施有限混合模型回归分析。结果表明:有限混合模型回归分析最适用于"具有两个或有限的多个频数分布资料进行频数分布曲线拟合"的场合。 相似文献
16.
H M Lou 《中华神经精神科杂志》1987,20(1):40-42
17.
Robust methods for the spectral analysis of time series are briefly reviewed and seen to have applications in the field of EEG. After presenting two simple schemes for outliers (artifacts) generation and discussing their implications for estimation of the spectral density, the robust filtering algorithm of Kleiner et al. [J.R. Statist. Soc. Ser. B, 41: 313-351, 1979] is introduced and shown to work well for simulated data and for true EEG data containing artifacts. A new use of the robust methods for the detection of artifacts and possibly other transients in long-time EEG recordings is suggested and a preliminary implementation illustrated. 相似文献
18.
19.
The logistic regression analysis of psychiatric data 总被引:6,自引:0,他引:6
Logistic regression is presented as the statistical method of choice for analyzing the effects of independent variables on a binary dependent variable in terms of the probability of being in one of its two categories vs the other. The method, which must be applied by computer, is illustrated on data from the DSM-III field trials. The dependent variable is treatment with behaviourally-oriented psychotherapy vs treatment with psychoanalytically-oriented psychotherapy, and the independent variables are several patient and clinician characteristics. Like ordinary multiple regression, the method is shown capable of analyzing categorical as well as continuous independent variables. Unlike ordinary multiple regression when applied to binary data, logistic regression analysis necessarily yields estimated probabilities that lie between 0 and 1. The measure of association derived from logistic regression analysis, the odds ratio, is defined. Methods for making inferences about it are presented and illustrated. 相似文献