第十一章分类资料的回归分析
――Regression菜单详解（下）
（医学统计之星：张文彤）
上次更新日期：
10.1 Linear过程
10.1.1 简单操作入门
10.1.1.1 界面详解
10.1.1.2 输出结果解释
10.1.2 复杂实例操作
10.1.2.1 分析实例
10.1.2.2 结果解释
10.2 Curve Estimation过程
10.2.1 界面详解
10.2.2 实例操作
10.3 Binary Logistic过程
10.3.1 界面详解与实例
10.3.2 结果解释
10.3.3 模型的进一步优化与简单诊断
10.3.3.1 模型的进一步优化
10.3.3.2 模型的简单诊断
在很久很久以前，地球上还是一个阴森恐怖的黑暗时代，大地上恐龙横行，我们的老祖先－－类人猿惊恐的睁大了双眼，围坐在仅剩的火堆旁，担心着无边的黑暗中不知何时会出现的妖魔鬼怪，没有电视可看，没有网可上...
我是疯了，还是在说梦话？都不是，类人猿自然不会有机会和恐龙同时代，只不过是我开机准备写这一部分的时候，心里忽然想到，在10年前，国内的统计学应用上还是卡方检验横行，分层的M-H卡方简直就是超级武器，在流行病学中称王称霸，更有那些1：M的配对卡方，N：M的配对卡方，含失访数据的N：M 配对卡方之类的，简直象恐龙一般，搞得我头都大了。其实恐龙我还能讲出十多种来，可上面这些东西我现在还没彻底弄明白，好在社会进步迅速，没等这些恐龙完全统制地球，Logistic模型就已经飞速进化到了现代人的阶段，各种各样的Logistic模型不断地在蚕食着恐龙爷爷们的领地，也许还象贪吃的人类一样贪婪的享用着恐龙的身体。好，这是好事，这里不能讲动物保护，现在我们就远离那些恐龙，来看看现代白领的生活方式。
特别声明：我上面的话并非有贬低流行病学的意思，实际上我一直都在做流行病学，我这样写只是想说明近些年来统计方法的普及速度之快而已。
据我一位学数学的师兄讲，Logistic模型和卡方在原理上是不一样的，在公
式推演上也不可能划等号，只是一般来说两者的检验结果会非常接近而已，多数情况下可忽略其不同。
§10.3 Binary Logistic过程
所谓Logistic模型，或者说Logistic回归模型，就是人们想为两分类的应变量作一个回归方程出来，可概率的取值在0~1之间，回归方程的应变量取值可是在实数集中，直接做会出现0~1范围之外的不可能结果，因此就有人耍小聪明，将率做了一个Logit变换，这样取值区间就变成了整个实数集，作出来的结果就不会有问题了，从而该方法就被叫做了Logistic回归。
随着模型的发展，Logistic家族也变得人丁兴旺起来，除了最早的两分类Logistic外，还有配对Logistic模型，多分类Logistic模型、随机效应的Logistic模型等。由于SPSS的能力所限，对话框只能完成其中的两分类和多分类模型，下面我们就介绍一下最重要和最基本的两分类模型。
10.3.1 界面详解与实例
例11.1 某研究人员在探讨肾细胞癌转移的有关临床病理因素研究中，收集了一批行根治性肾切除术患者的肾癌标本资料，现从中抽取26例资料作为示例进行logistic回归分析（本例来自《卫生统计学》第四版第11章）。
?i：标本序号
?x1：确诊时患者的年龄(岁)
?x2：肾细胞癌血管内皮生长因子(VEGF)，其阳性表述由低到高共3个等
级
?x3：肾细胞癌组织内微血管数(MVC)
?x4：肾癌细胞核组织学分级，由低到高共4级
?x5：肾细胞癌分期，由低到高共4期
?y：肾细胞癌转移情况(有转移y=1; 无转移y=0)。
在菜单上选择Analyze==》Regression==》Binary Logistic...，系统弹出Logistic回归对话框如下：
左侧是候选变量框，右上角是应变量框，选入二分类的应变量，下方的Covariates框是用于选入自变量的，只不过这里按国外的习惯被称为了协变量。两框中间的是BLOCK系列按扭，我在上一课已经讲过了，不再重复。中下部
的>a*b>框是用于选入交互作用的，和其他的对话框不太相同（我也不知道为什么SPSS偏在这里做得不同），下方的Method列表框用于选择变量进入方法，有进入法、前进法和后退法三大类，三类之下又有细分。最下面的四个按钮比较重要，请大家听我慢慢道来：
o Select>>钮：用于限定一个筛选条件，只有满足该条件的记录才会被纳入分析，单击它后对话框会展开让你填入相应的条件。不过我觉得该功能纯属多余，和专门的Select对话框的功能重复了。
o Categorical钮：如果你的自变量是多分类的（如血型等），你必须要将它用哑变量的方式来分析，那么就要用该按钮将该变量指定为分类变量，如果有必要，可用里面的选择按钮进行详细的定义，如以哪个取值作为基础水平，各水平间比较的方法是什么等。当然，如果你弄不明白，不改也可以，默认的是以最大取值为基础水平，用Deviance做比较。
o Save钮：将中间结果存储起来供以后分析，共有预测值、影响强度因子和残差三大类。
o Options钮：这一部分非常重要，但又常常被忽视，在这里我们可以对模型作精确定义，还可以选择模型预测情况的描述方式，如Statistics and Plots中的Classification plots就是非常重要的模型预测工具，
Correlations of estimates则是重要的模型诊断工具，Iteration
history可以看到迭代的具体情况，从而得知你的模型是否在迭代时存在病态，下方则可以确定进入和排除的概率标准，这在逐步回归中是非常有
用的。
好，根据我们的目的，应变量为Y，而X1~X5为自变量，具体的分析操作如下：
1.Analyze==》Regression==》Binary Logistic...
2.Dependent框：选入Y
3.Covariates框：选入x1~x5
4.OK钮：单击
10.3.2 结果解释
Logistic Regression
上表为记录处理情况汇总，即有多少例记录被纳入了下面的分析，可见此处因不存在缺失值，26条记录均纳入了分析。
上表为应变量分类情况列表，没什么好解释的。
Block 0: Beginning Block
此处已经开始了拟合，Block 0拟合的是只有常数的无效模型，上表为分类预测表，可见在17例观察值为0的记录中，共有17例被预测为0，9例1也都被预测为0，总预测准确率为65.4%，这是不纳入任何解释变量时的预测准确率，相当于比较基线。
上表为Block 0时的变量系数，可见常数的系数值为-0.636。
上表为在Block 0处尚未纳入分析方程的侯选变量，所作的检验表示如果分别将他们纳入方程，则方程的改变是否会有显著意义（根据所用统计量的不同，可能是拟合优度，Deviance值等）。可见如果将X2系列的哑变量纳入方程，则方程的改变是有显著意义的，X4和X5也是如此，由于Stepwise方法是一个一个的进入变量，下一步将会先纳入P值最小的变量X2，然后再重新计算该表，再做选择。
Block 1: Method = Forward Stepwise (Conditional)
此处开始了Block 1的拟合，根据我们的设定，采用的方法为Forward（我们只设定了一个Block，所以后面不会再有Block 2了）。上表为全局检验，对每一步都作了Step、Block和Model的检验，可见6个检验都是有意义的。
此处为模型概况汇总，可见从STEP1到STEP2，DEVINCE从18降到11，两种决定系数也都有上升。
此处为每一步的预测情况汇总，可见准确率由Block 0的65%上升到了84%，最后达到96%，效果不错，最终只出现了一例错判。
上表为方程中变量检验情况列表，分别给出了Step 1和Step 2的拟合情况。注意X4的P值略大于0.05，但仍然是可以接受的，因为这里用到的是排除标准（默认为0.1），该变量可以留在方程中。以Step 2中的X2为例，可见其系数为2.413，OR值为11。
上表为假设将这些变量单独移出方程，则方程的改变有无统计学意义，可见都是有统计学意义的，因此他们应当保留在方程中。
最后这个表格说明的是在每一步中，尚未进入方程的变量如果再进入现有方程，则方程的改变有无统计学意义。可见在Step 1时，X4还应该引入，而在Step 2时，其它变量是否引入都无关了。
10.3.3 模型的进一步优化与简单诊断
10.3.3.1 模型的进一步优化
前面我们将X1~X5直接引入了方程，实际上，其中X2、X4、X5这三个自变量为多分类变量，我们并无证据认为它们之间个各等级的OR值是成倍上升的，严格来说，这里应当采用哑变量来分析，即需要用Categorical钮将他们定义为分类变量。但本次分析不能这样做，原因是这里总例数只有26例，如果引入哑变量模型会使得每个等级的记录数非常少，从而分析结果将极为奇怪，无法正常解释，但为了说明哑变量模型的用法，下面我将演示它是如何做的，毕竟不是每个例子都只有26例。
默认情况下定义分类变量非常容易，做到如上图所示就可以了，此时分析结果中的改变如下：
上表为自变量中多分类变量的哑变量取值情况代码表。左侧为原变量名及取值，右侧为相应的哑变量名及编码情况：以X5为例，表中可见X5=4时，即取值最高的情况被作为了基线水平，这是多分类变量生成哑变量的默认情况。而X5(1)代表的是X5=1的情况（X5为1时取1，否则取0），X5(2)代表的是X5=2的情况，依此类推。同时注意到许多等级值有几个记录，显然后面的分析结果不会太好。
相应的，分析结果中也以哑变量在进行分析，如下所示：
上表出现了非常有趣的现象：所有的检验P值均远远大于0.05，但是所有的变量均没有被移出方程，这是怎么回事？再看看下面的这个表格吧。
这个表格为方程的似然值改变情况的检验，可见在最后Step 2生成的方程中，无论移出X2还是X4都会引起方程的显著性改变。也就是说，似然比检验的结果和上面的Walds检验结果冲突，以谁为准？此处应以似然比检验为准，因为它是全局性的检验，且Walds检验本身就不太准，这一点大家记住就行了，实在要弄明白请去查阅相关文献。
请注意：上面的哑变量均是以最高水平为基线水平，这不符合我们的目的，我们希望将最低水平作为基线水平。比如以肾细胞癌第一期为基线水平，需要这样做只要在Categoriacl框中选中相应的变量，在Reference Category处选择First,再单击Change即可，此时变量旁的标示会做出相应的改变如下：
分析结果中也会做出相应的改变，此处略。
10.3.3.2 模型的简单诊断
SPSS本身提供了几种用于模型诊断的工具，基本上都集中在Options对话框中，除了大家熟悉的残差分析外，这里这种介绍三种简单而有非常有用的工具：迭代记录、相关矩阵和分类图。
上表为Block 1的迭代记录，可见无论是似然值，还是三个系数值，均是从迭代开始就向着一个方向发展，最终达到收敛，这说明整个迭代过程是健康的，问题不大；如果中途出现波折，尤其是当引入新变量后变化方向改变了，则提示要好好研究。
上表为方程中变量的相关矩阵，可见X2和常数相关性较强，当引入X4后仍然如此，提示要关注这一现象，以防因自变量间的共线性导致方程系数不稳（此时迭代记录多半也会有波动）。当然，由于本例只有26条记录，这一问题是没有办法深入研究的。
上图是Step 1结束时，即只引入X2时的预测图，0和1代表实际取值，当预测的概率值大于0.5时，则预测结果为1，反之为0，由上图可见，该模型对0的预测是比较好的，多数的概率都在0附近，但对1的预测不准，即使正确的，计算出的概率也在0.8左右，并且有好几个都判错了。
上图为Step 2结束后模型的预测状况，可见此时预测结果有了较大的改善，概率精度提高了许多，只有一例0被错判为了1，并且从分布上看，这一例可能是极端情况，再引入其它变量也不见的能将预测效果改变多少。
回第十章回教程首页到第十二章
第七章 相关与回归分析 一、本章学习要点 （一）相关分析就是研究两个或两个以上变量之间相关程度大小以及用一定函数来表达现象相互关系的方法。现象之间的相互关系可以分为两种，一种是函数关系，一种是相关关系。函数关系是一种完全确定性的依存关系，相关关系是一种不完全确定的依存关系。相关关系是相关分析的研究对象，而函数关系则是相关分析的工具。 相关按其程度不同，可分为完全相关、不完全相关和不相关。其中不完全相关关系是相关分析的主要对象；相关按方向不同，可分为正相关和负相关；相关按其形式不同，可分为线性相关和非线性相关；相关按影响因素多少不同，可分为单相关和复相关。 （二）判断现象之间是否存在相关关系及其程度，可以根据对客观现象的定性认识作出，也可以通过编制相关表、绘制相关图的方式来作出，而最精确的方式是计算相关系数。 相关系数是测定变量之间相关密切程度和相关方向的代表性指标。相关系数用符号“γ”表示，其特点表现在：参与相关分析的两个变量是对等的，不分自变量和因变量，因此相关系数只有一个；相关系数有正负号反映相关系数的方向，正号反映正相关，负号反映负相关；计算相关系数的两个变量都是随机变量。 相关系数的取值区间是［－1，＋1］，不同取值有不同的含义。当1||=γ时，x 与y 的变量为完全相关，即函数关系；当1||0<<γ时，表示x 与y 存在一定的线性相关，||γ的数值越大，越接近于1，表示相关程度越高；反之，越接近于0，相关程度越低，通常判别标准是：3.0||<γ称为微弱相关，5.0||3.0<<γ称为低度相关，8.0||5.0<<γ称为显著相关，1||8.0<<γ称为高度相关；当0||=γ时，表示y 的变化与x 无关，即不相关；当0>γ时，表示x 与y 为线性正相关，当0<γ时，表示x 与y 为线性负相关。 皮尔逊积距相关系数计算的基本公式是： ∑∑∑∑∑∑∑---= =] )(][)([22222y y n x x n y x xy n y x xy σσσγ 斯皮尔曼等级相关系数和肯特尔等级相关系数是测量两个等级变量（定序测度）之间相 关密切程度的常用指标。 （三）回归分析是对具有相关关系的两个或两个以上变量之间数量变化的一般关系进行测定，确定一个相应的数学表达式，以便从一个已知量来推测另一个未知量，为估计预测提供一个重要的方法。回归分析按自变量的个数分，有一元回归和多元回归，按回归线的形状分，有线性回归和非线性回归。与相关分析相比，回归分析的特点是：两个变量是不对等的，必须区分自变量和因变量；因变量是随机的，自变量是可以控制的量；对于一个没有因果关系的两变量，可以求得两个回归方程，一个是y 倚x 的回归方程，一个是x 倚y 的回归方程。 简单线性回归方程式为：bx a y c +=，式中c y 是y 的估计值，a 代表直线在y 轴上的截距，b 表示直线的斜率，又称为回归系数。回归系数的涵义是，当自变量x 每增加一个单位时，因变量y 的平均增加值。当b 的符号为正时，表示两个变量是正相关，当b 的符号为负时，表示两个变量是负相关。a 、b 都是待定参数，可以用最小平方法求得。求解a 、b 的公式为： ∑∑∑∑∑--= 2 2)(x x n y x xy n b ； n x b n y a ∑∑-= 回归估计标准误差是衡量因变量的估计值与观测值之间的平均误差大小的指标。利用此 指标可以说明回归方程的代表性。其计算公式为： 2 ) (2 --= ∑n y y S c yx 或2 2 ---= ∑∑∑n xy b y a y S yx 回归估计标准误和相关系数之间具有以下关系：
第十一章分类资料的回归分析 ――Regression菜单详解（下） （医学统计之星：张文彤） 上次更新日期： 10.1 Linear过程 10.1.1 简单操作入门 10.1.1.1 界面详解 10.1.1.2 输出结果解释 10.1.2 复杂实例操作 10.1.2.1 分析实例 10.1.2.2 结果解释 10.2 Curve Estimation过程 10.2.1 界面详解 10.2.2 实例操作 10.3 Binary Logistic过程 10.3.1 界面详解与实例 10.3.2 结果解释 10.3.3 模型的进一步优化与简单诊断 10.3.3.1 模型的进一步优化 10.3.3.2 模型的简单诊断 在很久很久以前，地球上还是一个阴森恐怖的黑暗时代，大地上恐龙横行，我们的老祖先－－类人猿惊恐的睁大了双眼，围坐在仅剩的火堆旁，担心着无边的黑暗中不知何时会出现的妖魔鬼怪，没有电视可看，没有网可上... 我是疯了，还是在说梦话？都不是，类人猿自然不会有机会和恐龙同时代，只不过是我开机准备写这一部分的时候，心里忽然想到，在10年前，国内的统计学应用上还是卡方检验横行，分层的M-H卡方简直就是超级武器，在流行病学中称王称霸，更有那些1：M的配对卡方，N：M的配对卡方，含失访数据的N：M 配对卡方之类的，简直象恐龙一般，搞得我头都大了。其实恐龙我还能讲出十多种来，可上面这些东西我现在还没彻底弄明白，好在社会进步迅速，没等这些恐龙完全统制地球，Logistic模型就已经飞速进化到了现代人的阶段，各种各样的Logistic模型不断地在蚕食着恐龙爷爷们的领地，也许还象贪吃的人类一样贪婪的享用着恐龙的身体。好，这是好事，这里不能讲动物保护，现在我们就远离那些恐龙，来看看现代白领的生活方式。 特别声明：我上面的话并非有贬低流行病学的意思，实际上我一直都在做流行病学，我这样写只是想说明近些年来统计方法的普及速度之快而已。
一、描述统计 描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。 1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策树法。 2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。 二、假设检验 1、参数检验 参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。 1）U验使用条件：当样本含量n较大时，样本值符合正态分布 2）T检验使用条件：当样本含量n较小时，样本值符合正态分布 A 单样本t检验：推断该样本来自的总体均数μ与已知的某一总体均数μ0 (常为理论值或标准值)有无差别； B 配对样本t检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似；
C 两独立样本t检验：无法找到在各方面极为相似的两样本作配对比较时使用。 2、非参数检验 非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。 A 虽然是连续数据，但总体分布形态未知或者非正态； B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下； 主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。 三、信度分析 检査测量的可信度，例如调查问卷的真实性。 分类： 1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度 2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。 四、列联表分析 用于分析离散变量或定型变量之间是否存在相关。
weka分类与回归 1.背景知识 WEKA把分类(Classification)和回归(Regression)都放在“Classify”选项卡中，这是有原因的。 在这两个任务中，都有一个目标属性（输出变量）。我们希望根据一个样本(WEKA中称作实例)的一组特征（输入变量），对目标进行预测。为了实现这一目的，我们需要有一个训练数据集，这个数据集中每个实例的输入和输出都是已知的。观察训练集中的实例，可以建立起预测的模型。有了这个模型，我们就可以新的输出未知的实例进行预测了。衡量模型的好坏就在于预测的准确程度。 在WEKA中，待预测的目标（输出）被称作Class属性，这应该是来自分类任务的“类”。一般的，若Class 属性是分类型时我们的任务才叫分类，Class属性是数值型时我们的任务叫回归。 2.选择算法 这一节中，我们使用C4.5决策树算法对bank-data建立起分类模型。 我们来看原来的“bank-data.csv”文件。“ID”属性肯定是不需要的。由于C4.5算法可以处理数值型的属性，我们不用像前面用关联规则那样把每个变量都离散化成分类型。尽管如此，我们还是把“Children”属性转换成分类型的两个值“YES”和“NO”。另外，我们的训练集仅取原来数据集实例的一半；而从另外一半中抽出若干条作为待预测的实例，它们的“pep”属性都设为缺失值。经过了这些处理的训练集数据在这里下载；待预测集数据在这里下载。 我们用“Explorer”打开训练集“bank.arff”，观察一下它是不是按照前面的要求处理好了。切换到“C lassify”选项卡，点击“Choose”按钮后可以看到很多分类或者回归的算法分门别类的列在一个树型框里。 3.5版的WEKA中，树型框下方有一个“Filter...”按钮，点击可以根据数据集的特性过滤掉不合适的算法。我们数据集的输入属性中有“Binary”型（即只有两个类的分类型）和数值型的属性，而Class变量是“Binary”的；于是我们勾选“Binary attributes”“Numeric attributes”和“Binary class”。点“OK”后回到树形图，可以发现一些算法名称变红了，说明它们不能用。选择“trees”下的“J48”，这就是我们需要的C 4.5算法，还好它没有变红。 点击“Choose”右边的文本框，弹出新窗口为该算法设置各种参数。点“More”查看参数说明，点“Capa bilities”是查看算法适用范围。这里我们把参数保持默认。 现在来看左中的“Test Option”。我们没有专门设置检验数据集，为了保证生成的模型的准确性而不至于出现过拟合（overfitting）的现象，我们有必要采用10折交叉验证（10-fold cross validation）来选择和评估模型。若不明白交叉验证的含义可以Google一下。 3.建模结果 OK，选上“Cross-validation”并在“Folds”框填上“10”。点“Start”按钮开始让算法生成决策树模型。很快，用文本表示的一棵决策树，以及对这个决策树的误差分析等等结果出现在右边的“Classifier output”中。同时左下的“Results list”出现了一个项目显示刚才的时间和算法名称。如果换一个模型或者换个参数，重新“Start”一次，则“Results list”又会多出一项。 我们看到“J48”算法交叉验证的结果之一为 Correctly Classified Instances 206 68.6667 % 也就是说这个模型的准确度只有69%左右。也许我们需要对原属性进行处理，或者修改算法的参数来提高准确度。但这里我们不管它，继续用这个模型。
(一) 填空题 1、 现象之间的相关关系按相关的程度分有________相关、________相关和_______ 相关；按相关的方向分有________相关和________相关；按相关的形式分有-________相关和________相关；按影响因素的多少分有________相关和-________相关。 2、 对现象之间变量关系的研究中，对于变量之间相互关系密切程度的研究，称为 _______；研究变量之间关系的方程式，根据给定的变量数值以推断另一变量的可能值，则称为_______。 3、 完全相关即是________关系，其相关系数为________。 4、 在相关分析中，要求两个变量都是_______；在回归分析中，要求自变量是 _______，因变量是_______。 5、 person 相关系数是在________相关条件下用来说明两个变量相关________的统 计分析指标。 6、 相关系数的变动范围介于_______与_______之间，其绝对值愈接近于_______， 两个变量之间线性相关程度愈高；愈接近于_______，两个变量之间线性相关程度愈低。当_______时表示两变量正相关；_______时表示两变量负相关。 7、 当变量x 值增加，变量y 值也增加，这是________相关关系；当变量x 值减少， 变量y 值也减少，这是________相关关系。 8、 在判断现象之间的相关关系紧密程度时，主要用_______进行一般性判断，用_______进行数量上的说明。 9、 在回归分析中，两变量不是对等的关系，其中因变量是_______变量，自变量是 _______量。 10、 已知13600))((=----∑y y x x ，14400)(2=--∑x x ，14900)(2=-∑-y y ，那么，x 和y 的相关系数r 是_______。 11、 用来说明回归方程代表性大小的统计分析指标是________指标。 12、 已知1502=xy σ，18=x σ，11=y σ，那么变量x 和y 的相关系数r 是_______。 13、 回归方程bx a y c +=中的参数b 是________,估计特定参数常用的方法是 _________。 14、 若商品销售额和零售价格的相关系数为-0.95，商品销售额和居民人均收入的相关系数为0.85，据此可以认为，销售额对零售价格具有_______相关关系，销售额与人均收入具有_______相关关系，且前者的相关程度_______后者的相关程度。 15、 当变量x 按一定数额变动时，变量y 也按一定数额变动，这时变量x 与y 之间存在着_________关系。 16、 在直线回归分析中，因变量y 的总变差可以分解为_______和_______，用公式表示，即_____________________。 17、 一个回归方程只能作一种推算，即给出_________的数值，估计_________的可能值。 18、 如估计标准误差愈小，则根据回归直线方程计算的估计值就_______ 19、 已知直线回归方程bx a y c +=中，5.17=b ；又知30=n ，∑=13500y ，
你应该要掌握的7种回归分析方法 标签：机器学习回归分析 2015-08-24 11:29 4749人阅读评论(0) 收藏举报 分类： 机器学习（5） 目录(?)[+]转载：原文链接：7 Types of Regression Techniques you should know!（译者/刘帝伟审校/刘翔宇、朱正贵责编/周建丁） 什么是回归分析？ 回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。 回归分析是建模和分析数据的重要工具。在这里，我们使用曲线/线来拟合这些数据点，在这种方式下，从曲线或线到数据点的距离差异最小。我会在接下来的部分详细解释这一点。 我们为什么使用回归分析？ 如上所述，回归分析估计了两个或多个变量之间的关系。下面，让我们举一个简单的例子来理解它： 比如说，在当前的经济条件下，你要估计一家公司的销售额增长情况。现在，你有公司最新的数据，这些数据显示出销售额增长大约是经济增长的2.5倍。那么使用回归分析，我们就可以根据当前和过去的信息来预测未来公司的销售情况。 使用回归分析的好处良多。具体如下： 1.它表明自变量和因变量之间的显著关系；
2.它表明多个自变量对一个因变量的影响强度。 回归分析也允许我们去比较那些衡量不同尺度的变量之间的相互影响，如价格变动与促销活动数量之间联系。这些有利于帮助市场研究人员，数据分析人员以及数据科学家排除并估计出一组最佳的变量，用来构建预测模型。 我们有多少种回归技术？ 有各种各样的回归技术用于预测。这些技术主要有三个度量（自变量的个数，因变量的类型以及回归线的形状）。我们将在下面的部分详细讨论它们。 对于那些有创意的人，如果你觉得有必要使用上面这些参数的一个组合，你甚至可以创造出一个没有被使用过的回归模型。但在你开始之前，先了解如下最常用的回归方法： 1. Linear Regression线性回归 它是最为人熟知的建模技术之一。线性回归通常是人们在学习预测模型时首选的技术之一。在这种技术中，因变量是连续的，自变量可以是连续的也可以是离散的，回归线的性质是线性的。 线性回归使用最佳的拟合直线（也就是回归线）在因变量（Y）和一个或多个自变量（X）之间建立一种关系。 用一个方程式来表示它，即Y=a+b*X + e，其中a表示截距，b表示直线的斜率，e是误差项。这个方程可以根据给定的预测变量（s）来预测目标变量的值。
第六章 分类资料的统计描述 一、教学大纲要求 （一）掌握内容 1． 绝对数。 2． 相对数常用指标：率、构成比、比。 3． 应用相对数的注意事项。 4． 率的标准化和动态数列常用指标：标准化率、标准化法、时点动态数列、时期动态数列、绝对增长量、发展速度、增长速度、定基比、环比、平均发展速度和平均增长速度。 （二）熟悉内容 1． 标准化率的计算。 2． 动态数列及其分析指标。 二、教学内容精要 (一) 绝对数 绝对数是各分类结果的合计频数，反映总量和规模。如某地的人口数、发病人数、死亡人数等。绝对数通常不能相互比较，如两地人口数不等时，不能比较两地的发病人数，而应比较两地的发病率。 （二）常用相对数的意义及计算 相对数是两个有联系的指标之比，是分类变量常用的描述性统计指标，常用两个分类的绝对数之比表示相对数大小，如率、构成比、比等。 常用相对数的意义及计算见表6-1。 表6-1 常用相对数的意义及计算 常用相对数 概念 表示方式 计算公式 举例 率 （rate ） 又称频率指标，说明一定时期内某现象发生的频率或强度 百分率（%）、千分率 （‰）等 单位时间内的发病率、患病 率，如年（季）发病率、时 点患病率等 构成比 （proportion ） 又称构成指标，说明某一事物内部各组成 部分所占的比重或分布 百分数 疾病或死亡的顺位、位次或所占比重 比 （ratio ） 又称相对比，是A 、B 两个有关指标之 比，说明A 是B 的若干倍或百分之几 倍数或分数 ①对比指标，如男：女 =106.04：100 ②关系指标，如医护人员：病床数=1.64 ③计划完成指标，如完成计划的130.5% (三) 应用相对数时应注意的问题 1． 计算相对数的分母一般不宜过小。 2． 分析时不能以构成比代替率 容易产生的错误有 （1）指标的选择错误如住院病人只能计算某病的病死率，不能认为是某病的死亡率； （2）若用构成指标下频率指标的结论将导致错误结论，如 某部队医院收治胃炎的门诊人数中军人的构成比最高，但不一定军人的胃炎发病率最高。 %100?=单位总数 可能发生某现象的观察数 发生某现象的观察单位率%100?= 观察单位总数 同一事物各组成部分的位数某一组成部分的观察单构成比B A = 比
S PSS 10.0高级教程十三：分类资料的Logistic回归分析 (2009-02-05 15:32:54) 转载▼ 所谓Logistic模型，或者说Logistic回归模型，就是人们想为两分类的应变量作一个回归方程出来，可概率的取值在0~1之间，回归方程的应变量取值可是在实数集中，直接做会出现0~1范围之外的不可能结果，因此就有人耍小聪明，将率做了一个Logit变换，这样取值区间就变成了整个实数集，作出来的结果就不会有问题了，从而该方法就被叫做了Logistic回归。 随着模型的发展，Logistic家族也变得人丁兴旺起来，除了最早的两分类Logistic外，还有配对Logistic模型，多分类Logistic模型、随机效应的Logistic模型等。由于SPSS的能力所限，对话框只能完成其中的两分类和多分类模型，下面我们就介绍一下最重要和最基本的两分类模型。 10.3.1 界面详解与实例 例11.1 某研究人员在探讨肾细胞癌转移的有关临床病理因素研究中，收集了一批行根治性肾切除术患者的肾癌标本资料，现从中抽取26例资料作为示例进行logistic回归分析（本例来自《卫生统计学》第四版第11章）。 ?i：标本序号 ?x1：确诊时患者的年龄(岁) ?x2：肾细胞癌血管内皮生长因子(VEGF)，其阳性表述由低到高共3个等级 ?x3：肾细胞癌组织内微血管数(MVC) ?x4：肾癌细胞核组织学分级，由低到高共4级 ?x5：肾细胞癌分期，由低到高共4期 ?y：肾细胞癌转移情况(有转移y=1; 无转移y=0)。 i x1 x2 x3 x4 x5 y 1 59 2 43.4 2 1 0 2 36 1 57.2 1 1 0 3 61 2 190 2 1 0 4 58 3 128 4 3 1 5 55 3 80 3 4 1 6 61 1 94.4 2 1 0 7 38 1 76 1 1 0 8 42 1 240 3 2 0 9 50 1 74 1 1 0 10 58 3 68.6 2 2 0 11 68 3 132.8 4 2 0 12 25 2 94.6 4 3 1 13 52 1 56 1 1 0 14 31 1 47.8 2 1 0 15 36 3 31.6 3 1 1
第十章分类资料的统计分析 A型选择题 1、下列指标不属于相对数的是（） A、率 B、构成比 C、相对比 D、百分位数 E、比 2、表示某现象发生的频率或强度用 A 构成比 B 观察单位 C 相对比 D 率 E 百分比 3、下列哪种说法是错误的（） A、计算相对数尤其是率时应有足够数量的观察单位数或观察次数 B、分析大样本数据时可以构在比代替率 C、应分别将分子和分母合计求合计率或平均率 D、相对数的比较应注意其可比性 E、样本率或构成比的比较应作假设检验 4、以下哪项指标不属于相对数指标( ) A．出生率 B．某病发病率 C．某病潜伏期的百分位数 D．死因构成比 E．女婴与男婴的性别比 5、计算麻疹疫苗接种后血清检查的阳转率,分母为( ). A.麻疹易感人群 B.麻疹患者数 C.麻疹疫苗接种人数 D.麻疹疫苗接种后的阳转人数 E.年均人口数 6、某病患者120人,其中男性114人,女性6人,分别占95%与5%,则结论为( ).
A.该病男性易得 B.该病女性易得 C.该病男性、女性易患率相等 D.尚不能得出结论 E.以上均不对 7、某地区某重疾病在某年的发病人数为0α，以后历年为1α,2α,…，n α，则该疾病发病人数的年平均增长速度为（ ）。 A.1...10+++n n ααα B. 110+??n n ααα C.n n 0 α α D.n n 0 α α -1 E. 10 -a a n 8、按目前实际应用的计算公式，婴儿死亡率属于（ ）。 A. 相对比（比，ratio ） B. 构成比（比例，proportion ） C. 标准化率（standardized rate ） D. 率（rate ） E 、以上都不对 9、某年某地乙肝发病人数占同年传染病人数的9．8%，这种指标是 A ．集中趋势 B ．时点患病率 C ．发病率 D ．构成比 E ．相对比 10、构成比： A.反映事物发生的强度 B 、反映了某一事物内部各部分与全部构成的比重 C 、既反映A 也反映B D 、表示两个同类指标的比 E 、表示某一事物在时间顺序上的排列
线性回归与线性分类 1.线性回归 在温洲的一个房产网（）我弄到了下面的一些数据： 现在我们以横轴表示房子面积，纵轴表示房子价格，画到坐标轴上： 现在问题来了，我想要一套200平方米的房子价格大概是多少呢？这时在数
据表中我又找不到到对应的数据。那么这时就要做线性回归分析了。如下图找到下面这样的一条直线，使图中的所有点到直线的距离最小（即使误差最小）。 下面我们用数学语言来表达“使图中的所有点到直线的距离最小”这句话。图中的（面积，价格）可以用坐标点(Xi,Yi)表示。数学中的直线方程解析式为：y=kx+b,现在我们用机器学习里的表达方式如下: y=b+wx （在机器学习中b叫偏至，w叫超越平面参数） 这样的表达还不够统一，不方便计算，写成下式： y’=w’x’,(w’=[1,w] x’=[1,x]). 现在我们继续把上面改写成向量形式，以便于推广到N维形式，改写成正式： “使图中的所有点到直线的距离最小”用数学的语言描述如下： 上式叫误差平方和式，写成向量形式如下： 我们的目标是使J(W)最小，上式对W求导得：
W就是我们要求的结果了。把200平方米的代入式（1）就得到我们的估计房价了 这里的解有一个陷阱，不知道大家知道了没有。在分类问题中，我会提出一种要求更低的解决算法，即著名的感知机算法。 2.线性分类 什么是分类呢？下面我列出一些实际的分类任务如下： 1.识别图像中的人脸，非人脸。 2.识别正常邮件，垃圾邮件。 3.识别信贷中的正常行为，欺诈行为。 4.入侵检测中的系统的的正常访问跟非法访问。 5.…… 一些符号说明如下： 以下图的两类分类问题为例，样本点的类别是已知的，并且两类样本点是线性可分的， 定义映谢：
多项分类Logistic回归分析的功能与意义 我们经常会遇到因变量有多个取值而且无大小顺序的情况，比如职业、婚姻情况等等，这时一般的线性回归分析无法准确地刻画变量之间的因果关系，需要用其它回归分析方法来进行拟合模型。SPSS的多项分类Logistic回归便是一种简便的处理该类因变量问题的分析方法。 例子：下表给出了对山东省某中学20名视力低下学生视力监测的结果数据。试用多项分类Logistic回归分析方法分析视力低下程度（由轻到重共3级）与年龄、性别（1代表男性，2代表女性）之间的关系。
“年龄”使之进入“协变量”列表框。
还是以教程“blankloan.sav"数据为例，研究银行客户贷款是否违约（拖欠）的问题，数据如下所示： 上面的数据是大约700个申请贷款的客户，我们需要进行随机抽样，来进行二元Logistic 回归分析，上图中的“0”表示没有拖欠贷款，“1”表示拖欠贷款，接下来，步骤如下： 1：设置随机抽样的随机种子，如下图所示：
选择“设置起点”选择“固定值”即可，本人感觉200万的容量已经足够了，就采用的默认值，点击确定，返回原界面、 2：进行“转换”—计算变量“生成一个变量（validate)，进入如下界面： 在数字表达式中，输入公式：rv.bernoulli（0.7），这个表达式的意思为：返回概率为0.7的bernoulli分布随机值 如果在0.7的概率下能够成功，那么就为1，失败的话，就为"0" 为了保持数据分析的有效性，对于样本中“违约”变量取缺失值的部分，validate变量也取缺失值，所以，需要设置一个“选择条件” 点击“如果”按钮，进入如下界面：
第七章 相关分析与回归分析 例1、有10个同类企业的固定资产和总产值资料如下： 根据以上资料计算(1)协方差和相关系数;(2)建立以总产值为因变量的一元线性回归方程；(3)当固定资产改变200万元时，总产值平均改变多少？(4)当固定资产为1300万元时，总产值为多少？ 解：计算表如下： （1）协方差——用以说明两指标之间的相关方向。 2 2) )((n y x xy n n y y x x xy ∑∑∑∑- = - -= σ
35.126400100 9801 6525765915610>=?-?= 计算得到的协方差为正数，说明固定资产和总产值之间存在正相关关系。 （2）相关系数用以说明两指标之间的相关方向和相关的密切程度。 ∑∑∑ ∑∑∑∑--- = ] )(][) ([2 2 2 2 y y n x x n y x xy n r 95 .0) 980110866577 10()6525566853910(9801 65257659156102 2 =-??-??-?= 计算得到的相关系数为0.95，表示两指标为高度正相关。 (3) 2 2 26525 56685391098016525765915610) (-??-?= --= ∑∑∑∑∑x x n y x xy n b 90 .014109765 126400354257562556685390 6395152576591560== --= 85 .39210 65259.010 9801=? -= -=x b y a 回归直线方程为： x y 9.085.392?+= (4)当固定资产改变200万元时，总产值平均改变多少？ x y ?=?9.0,180 2009.0|200=?=?=?x y 万元 当固定资产改变200万元时，总产值平均增加180万元。 (5)当固定资产为1300万元时，总产值为多少？ 85 .156213009.085.392|1300=?+==x y 万元 当固定资产为1300万元时，总产值为1562.85万元。 例2、试根据下列资产总值和平均每昼夜原料加工量资料计算相关系数。
. 种回归分析方法7你应该要掌握的标签：机器学习回归分析 2015-08-24 11:29 4749人阅读评论(0) 收藏举报 分类： （5）机器学习 目录(?)[+] ：原文：7 Types of Regression Techniques you should know!（译者/帝伟审校/翔宇、周建丁）责编/朱正贵 什么是回归分析？ 回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。 回归分析是建模和分析数据的重要工具。在这里，我们使用曲线/线来拟合这些数据点，在这种方式下，从曲线或线到数据点的距离差异最小。我会在接下来的部分详细解释这一点。 我们为什么使用回归分析？ 如上所述，回归分析估计了两个或多个变量之间的关系。下面，让我们举一个简单的例子来理解它： 文档Word . 比如说，在当前的经济条件下，你要估计一家公司的销售额增长情况。现在，你有公司最新的数
据，这些数据显示出销售额增长大约是经济增长的2.5倍。那么使用回归分析，我们就可以根据当前和过去的信息来预测未来公司的销售情况。 使用回归分析的好处良多。具体如下： 1.它表明自变量和因变量之间的显著关系； 它表明多个自变量对一个因变量的影响强度2.。 回归分析也允许我们去比较那些衡量不同尺度的变量之间的相互影响，如价格变动与促销活动数量之间联系。这些有利于帮助市场研究人员，数据分析人员以及数据科学家排除并估计出一组最佳的变量，用来构建预测模型。 我们有多少种回归技术？ 有各种各样的回归技术用于预测。这些技术主要有三个度量（自变量的个数，因变量的类型以及回归线的形状）。我们将在下面的部分详细讨论它们。 对于那些有创意的人，如果你觉得有必要使用上面这些参数的一个组合，你甚至可以创造出一个没有被使用过的回归模型。但在你开始之前，先了解如下最常用的回归方法： 1. Linear Regression线性回归 它是最为人熟知的建模技术之一。线性回归通常是人们在学习预测模型时首选的技术之一。在这种技术中，因变量是连续的，自变量可以是连续的也可以是离散的，回归线的性质是线性的。文档Word . 线性回归使用最佳的拟合直线（也就是回归线）在因变量（Y）和一个或多个自变量（X）之间建立一种关系。 用一个方程式来表示它，即Y=a+b*X + e，其中a表示截距，b表示直线的斜率，e是误差项。这个方程可以根据给定的预测变量（s）来预测目标变量的值。
第3章分类与回归 3.1简述决策树分类的主要步骤。 3.2给定决策树，选项有：(1)将决策树转换成规则，然后对结果规则剪枝，或(2)对决策树剪枝，然后将剪 枝后的树转换成规则。相对于(2)，(1)的优点是什么？ 3.3计算决策树算法在最坏情况下的时间复杂度是重要的。给定数据集D，具有m个属性和|D|个训练记录， 证明决策树生长的计算时间最多为) ?。 m? D log(D 3.4考虑表3-23所示二元分类问题的数据集。 (1)计算按照属性A和B划分时的信息增益。决策树归纳算法将会选择那个属性？ (2)计算按照属性A和B划分时Gini系数。决策树归纳算法将会选择那个属性？ 3.5证明：将结点划分为更小的后续结点之后，结点熵不会增加。 3.6为什么朴素贝叶斯称为“朴素”？简述朴素贝叶斯分类的主要思想。 3.7考虑表3-24数据集，请完成以下问题： (1)估计条件概率) |- C。 P) A (+ | (2)根据(1)中的条件概率，使用朴素贝叶斯方法预测测试样本(A=0，B=1，C=0)的类标号； (3)使用Laplace估计方法，其中p=1/2，l=4，估计条件概率) P，) C (+ | (- P， A | | (+ P，) P，) A (+ B | (- P。 | C (- P，) | ) B (4)同(2)，使用(3)中的条件概率 (5)比较估计概率的两种方法，哪一种更好，为什么？ 3.8考虑表3-25中的一维数据集。
表3-25 习题3.8数据集 根据1-最近邻、3-最近邻、5-最近邻、9-最近邻，对数据点x=5.0分类，使用多数表决。 3.9 表3-26的数据集包含两个属性X 与Y ，两个类标号“+”和“-”。每个属性取三个不同值策略：0,1或 2。“+”类的概念是Y=1，“-”类的概念是X=0 and X=2。 (1) 建立该数据集的决策树。该决策树能捕捉到“+”和“-”的概念吗？ (2) 决策树的准确率、精度、召回率和F1各是多少？(注意，精度、召回率和F1量均是对“+”类定 义) (3) 使用下面的代价函数建立新的决策树，新决策树能捕捉到“+”的概念么？ ????? ???? +=-=+--=+=== j i j i j i j i C ,,10),(如果实例个数 实例个数如果如果 (提示：只需改变原决策树的结点。) 3.10 什么是提升？陈述它为何能提高决策树归纳的准确性？ 3.11 表3-27给出课程数据库中学生的期中和期末考试成绩。 表3-27 习题3.11数据集 (1) 绘制数据的散点图。X 和Y 看上去具有线性联系吗？
第七章 相关回归分析 皮尔逊线性相关系数计算的基本公式： （简捷法） ])(][)([（积差法）22222∑∑∑∑∑∑∑--- ==y y n x x n y x xy n s s s y x xy γ 简单线性回归方程式为：bx a y c +=， 式中c y 是y 的估计值，a 代表直线在y 轴上的截距，b 表示直线的斜率，又称为回归系数。回归系数的涵义是，当自变量x 每增加一个单位时，因变量y 的平均增加值。 当b 的符号为正时，表示两个变量是正相关，当b 的符号为负时，表示两个变量是负相关。a 、b 都是待定参数，可以用最小平方法求得。 求解a 、b 的公式为： ∑∑∑∑∑--=22) (x x n y x xy n b ； n x b n y a ∑∑-= 相关系数与回归系数之间具有以下的关系： x y s s r b = (一) 填空题 1.在相关关系中，把具有因果关系相互联系的两个变量中起影响作用的变量称为_______，把另一个说明观察结果的变量称为________。 2.现象之间的相关关系按相关的程度分有________相关、________相关、________相关和_______相关；按相关的方向分有________相关和______ _相关；按影响因素的多少分有________相关和________相关。 3.对现象之间变量关系的研究中，对于变量之间相互关系密切程度的研究，称为_______；研究变量之间关系的方程式，根据给定的变量数值以推断另一变量的可能值，则称为_______。 4.完全相关即是________关系，其相关系数为________。 5.相关系数的变动范围介于_______与_______之间，其绝对值愈接近于_______，两个变量之间线性相关程度愈高；愈接近于_______，两个变量之间线性相关程度愈低。当_______时表示两变量正相关；_______时表示两变量负相关。 6.当变量x 值增加，变量y 值也增加，这是________相关关系；当变量x 值减少，变量y 值也减少，这是________相关关系。 7.已知13600))((=----∑y y x x ，14400)(2=--∑x x ，14900)(2 =-∑-y y ，那么，x 和y 的相关系数r 是_______。 8.已知1502=xy s ，18=x s ，11=y s ，那么变量x 和y 的相关系数r 是_______。 9.已知直线回归方程bx a y c +=中，5.17=b ；又知30=n ， ∑=13500y ，12=- x ， 则可知_______=a 。
第七章 相关分析与回归分析 (3)当固定资产改变200万元时，总产值平均改变多少？(4)当固定资产为1300万元时，总产值为多少？ （1）协方差——用以说明两指标之间的相关方向。 2 2))((n y x xy n n y y x x xy ∑∑∑∑-= --=σ 035.126400100 9801 6525765915610>=?-?= 计算得到的协方差为正数，说明固定资产和总产值之间存在正相关关系。 （2）相关系数用以说明两指标之间的相关方向和相关的密切程度。 ∑∑∑∑∑∑∑---= ] )(][)([2222y y n x x n y x xy n r
95.0) 98011086657710()6525566853910(9801 65257659156102 2 =-??-??-?= 计算得到的相关系数为0.95，表示两指标为高度正相关。 (3) 2 226525 5668539109801 6525765915610)(-??-?=--= ∑∑∑∑∑x x n y x xy n b 90.014109765 12640035 42575625566853906395152576591560==--= 85.39210 6525 9.0109801=?-= -=x b y a 回归直线方程为： x y 9.085.392?+= (4)当固定资产改变200万元时，总产值平均改变多少？ x y ?=?9.0,1802009.0|200=?=?=?x y 万元 当固定资产改变200万元时，总产值平均增加180万元。 (5)当固定资产为1300万元时，总产值为多少？ 85.156213009.085.392|1300=?+==x y 万元 当固定资产为1300万元时，总产值为1562.85万元。 例2、试根据下列资产总值和平均每昼夜原料加工量资料计算相关系数。 解：【分析】本题中“企业数”应看成资产总值和平均每昼夜原料加工量两变量的次数，在计算相关系数的过程，要进行“加权”。
二分类Logistic 回归模型 在对资料进行统计分析时常遇到反应变量为分类变量的资料，那么，能否用类似于线性回归的模型来对这种资料进行分析呢？答案是肯定的。本章将向大家介绍对二分类因变量进行回归建模的Logistic 回归模型。 第一节 模型简介 一、模型入门 在很多场合下都能碰到反应变量为二分类的资料，如考察公司中总裁级的领导层中是否有女性职员、某一天是否下雨、某病患者结局是否痊愈、调查对象是否为某商品的潜在消费者等。对于分类资料的分析，相信大家并不陌生，当要考察的影响因素较少，且也为分类变量时，分析者常用列联表(contingency T able)的形式对这种资料进行整理，并使用2 χ检验来进行分析，汉存在分类的混杂因素时，还可应用Mantel-Haenszel 2χ检验进行统计学检验，这种方法可以很好地控制混杂因素的影响。但是这种经典分析方法也存在局限性，首先，它虽然可以控制若干个因素的作用，但无法描述其作用大小及方向，更不能考察各因素间是否存在交互任用；其次，该方法对样本含量的要求较大，当控制的分层因素较多时，单元格被划分的越来越细，列联表的格子中频数可能很小甚至为0，将导致检验结果的不可靠。最后，2χ检验无法对连续性自变量的影响进行分析，而这将大大限制其应用范围，无疑是其致使的缺陷。 那么，能否建立类似于线性回归的模型，对这种数据加以分析？以最简单的二分类因变量为例来加以探讨，为了讨论方便，常定义出现阳性结果时反应变量取值为1，反之则取值为0 。例如当领导层有女性职员、下雨、痊愈时反应变量1y =，而没有女性职员、未下雨、未痊愈时反应变量0y =。记出现阳性结果的频率为反应变量(1)P y =。 首先，回顾一下标准的线性回归模型：
第七章相关与回归分析习题 一、填空题 1、客观现象之间的数量联系有两种不同的类型：一种函数关系；另一种是相关关系。 2、现象之间是否存在相关关系是进行相关与回归分析的基础，其主要测定方法是计算相关系数。 3、若估计标准误差愈小，则根据直线回归方程计算的估计值就越能代表实际值。 4、对某实验结果做线性回归分析，得到形如y=a+bx的方程，现对回归系数b做显著性检验，该假设检验中原假设为 H0:b=0 ，备择假设为 H1:b≠0 ，若拒绝原假设，则认为 x 对y有显著的影响。 二、选择题 单选题： 1、相关分析对资料的要求是（（1）） （1）两变量均为随机的（2）两变量都不是随机的 （3）自变量是随机的，因变量不是随机的 （4）因变量是随机的，自变量不是随机的 2、回归方程Y=a+bx中的回归系数b说明自变量变动一个单位时，因变量（（4）） （1）变动a+b个单位（2）变动1/b个单位 （3）变动b个单位（4）平均变动b个单位 3、相关系数r的取值范围（（2）） （1）－∞
相关主题
文本预览