基于经典统计思想实现多重线性回归分析

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。     

主成分分析应用(Ⅲ)——主成分判别分析

本文目的是介绍主成分判别分析的概念、作用以及用软件实现计算的方法。判别分析方法很多,本文仅介绍基于"主成分变量"和"距离"的判别分析方法。本文的结果提示:基于"主成分变量"或"原变量"的判别分析结果是相同的。这一结论是否意味着对所有的数据集都成立,有待进一步研究。     

加性与广义加性模型回归分析

本文目的是介绍加性与广义加性模型回归分析的概念、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,最后通过一个实例并基于SAS软件演示如何实施加性模型回归分析。结果表明:相对于引入派生变量进行常规多重线性回归分析而言,加性与广义加性模型回归分析能够更好地提升模型对资料的拟合效果。     

非配对设计多值名义资料一水平多重Logistic回归分析

本文目的是介绍非配对设计多值名义资料一水平多重logistic回归分析的基本原理、建模策略及注意事项。结合实例，应用SAS 9.4构建未经变量筛选和经变量筛选的多值名义资料多重logistic回归模型。通过回归分析的计算结果可知，同一变量的回归系数在不同logit函数中存在代数关系。多值名义多重logistic回归分析可以用来处理结果变量为多值名义变量的回归建模问题，并可以结合SAS实现对自变量的筛选，以获得简洁的回归模型。     

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。     

合理进行多元分析——广义主成分分析

本文目的是介绍与主成分分析有关的基本概念、计算方法、两个实例以及SAS实现。基本概念包括相关矩阵、特征值与特征向量、主成分变量、主成分表达式和主成分的性质;计算方法涉及特征值与特征向量的求法、主成分分析的计算原理以及系数估计和个数的确定;两个实例中的资料分别为“20例肝病患者的4项肝功能指标的测定结果”和“23种肿瘤类期刊的文献计量学指标的调查结果”;借助SAS对两个实例中的定量资料进行了主成分分析,并基于主成分的计算结果分别实现了样品聚类和样品排序,并对输出结果作出了解释。     

主成分分析应用(Ⅱ)——主成分聚类分析

本文目的是介绍主成分聚类分析的概念、作用以及用软件实现计算的方法。无序样品聚类分析方法很多,本文仅介绍基于主成分变量的无序样品聚类分析方法。由于缺乏评价聚类效果的金标准,本文所介绍的聚类方法的实用价值有待进一步研究。     

基于SAS与R软件的主成分分析

本文目的是介绍主成分分析的概念、作用和用软件实现计算的方法。应弄清适合进行主成分分析的数据结构、如何利用SAS和R软件实现计算的具体方法,尤其是计算结果的解释和利用。值得注意的是:满足同质性的单组设计多元定量资料是适合进行主成分分析的数据结构的突出特点;主成分分析可用于下列场合:数据降维、主成分回归分析和主成分聚类分析等。     

岭回归分析

本文目的是介绍岭回归分析的概念、作用以及用软件实现计算的方法。先介绍有关的基本概念,再介绍基本原理和实施步骤,最后,通过一个实例并基于SAS软件演示如何实施岭回归分析。结果表明:对于计量因变量,要想构建高质量的多重线性回归模型,较好的建模策略是基于派生变量建立初步模型,在此基础上,再进行岭回归分析。     

颅脑损伤患者临床死亡预测:一项基于机器学习的主成分分析-逻辑回归模型

目的探索主成分分析(principal component analysis,PCA)-逻辑回归模型在颅脑损伤患者临床死亡预测建模中的应用,以及影响临床预后的病理生理模式和重要风险因素。方法收集2011—2017年四川省人民医院创伤中心数据库符合研究标准的108例颅脑损伤患者的临床资料,建立PCA-逻辑回归模型,应用ROC评估模型预测效果,验证死亡结局模型的预测效能。结果 PCA-逻辑回归模型分析结果显示,影响患者死亡结局的分别为第1、第8、第11及12主成分。计算出的指标系数对应的临床指标与措施具有较大影响力的因素,分别为开放性颅脑损伤、凝血改变、气管切开、脑干伤、血肿量、感染性并发症、糖皮质激素、肠内营养时间及舒张压。经ROC曲线评估PCA-逻辑回归模型,死亡结局模型具有较高的预测效能(灵敏度:92. 3%,特异度:93. 7%,AUC:0. 983)。结论 PCA-逻辑回归分析方法可以有效地挖掘颅脑损伤患者伤后的临床变量,建立其临床死亡预测模型。严重颅脑损伤后出现的血流灌注不足可能是影响患者生存的重要病理生理模式。