minitab學(xué)習(xí)筆記精髓(編輯修改稿)
2024-07-22 22:09 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 量和多變量?jī)煞N方式，即找出兩個(gè)變量或一個(gè)變量和多個(gè)變量之間的線性關(guān)系。Pvalue值表示該變量或者常數(shù)對(duì)結(jié)果是否有顯著性關(guān)系，即是否此變量是目標(biāo)函數(shù)的變量。R2和adjusted R2表征該模型與實(shí)際數(shù)據(jù)的匹配程度。Predicted R2值如果和R2 ，adjusted R2接近表示該模型有足夠的預(yù)測(cè)能力。 Stepwise 階梯逐步。通過(guò)對(duì)Pvalue的判斷對(duì)回歸分析中的變量進(jìn)行增刪，根據(jù)具體問(wèn)題的不同分為三種（增刪型、增加型、刪除性）?？梢愿鶕?jù)每次變量的表現(xiàn)值來(lái)決定變量的增刪直到得到比較好的表現(xiàn)值。在進(jìn)行可選變量的設(shè)定時(shí)應(yīng)該注意順序，把最有可能的變量放在前面，然后按順序進(jìn)行排列。 Best Subsets：利用選定的變量構(gòu)造最合適的回歸模型，是一個(gè)利用盡可能少的變量確認(rèn)回歸模型的有效方法。該方法提供最好的和次好的一元模型、二元模型和三元模型和多元模型。 Fitted Line Plot：進(jìn)行線性或者多次方單參數(shù)的回歸分析。案例：如果要分析機(jī)械設(shè)定值和能量消耗的關(guān)系，如果一直該關(guān)系是一個(gè)曲線的關(guān)系，則可以用此來(lái)分析。同樣用Pvalue值來(lái)表示匹配程度，值越小越匹配。 Partial Least Squares：局部最小二次方法。是一個(gè)偏的不最小平方的回歸方法，它涉及一套預(yù)測(cè)變量到多反饋?zhàn)兞?。?dāng)預(yù)測(cè)變量是高線性或者預(yù)測(cè)的變量相對(duì)于觀測(cè)次數(shù)太大或者一般的最小二次方法失敗不能達(dá)到高標(biāo)準(zhǔn)時(shí)可以采用PLS。案例：一個(gè)葡萄酒制造商想知道不同的化學(xué)成分和葡萄酒味道的影響，有37個(gè)葡萄酒的樣本，每個(gè)樣本都有17種元素按不同的濃度構(gòu)成，并求有對(duì)該37個(gè)樣本的評(píng)價(jià)分?jǐn)?shù)，當(dāng)想預(yù)測(cè)味道的分?jǐn)?shù)和17種元素的關(guān)系時(shí)，PLS是一個(gè)適當(dāng)?shù)姆椒ㄒ驗(yàn)闃颖竞妥兞康谋壤堑偷摹Ｓ山y(tǒng)計(jì)分析可知在預(yù)測(cè)偏差方面兩因素模型的較為理想，并且可以得到最適合的模型。并且比較可知PLS的預(yù)測(cè)指數(shù)比最小二次訪模型要好。該分析方法的圖形顯示中有各個(gè)因素的標(biāo)準(zhǔn)系數(shù)。并且可以通過(guò)連線的長(zhǎng)度表示變量和目標(biāo)函數(shù)的關(guān)系密切程度，越短說(shuō)明關(guān)系越不密切。 Binary Logistic Regression：和least squares regression一樣研究一個(gè)反映變量和一個(gè)多者多個(gè)子變量的關(guān)系，只是Logistic Regression 用于離散屬于某一范圍的的反映變量，linear regression 用于連續(xù)的反映變量。兩者都是用來(lái)估計(jì)模型的參數(shù)從而使模型更加完美，只是Least squares 是最小化方差，logistic regression是通過(guò)計(jì)算最大相似程度。Binary Logistic Regression、Ordinal Logistic Regression 和Nominal Logisti
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號(hào)-1