긴 연구 데이터 분석, 또는 데이터 분석으로, 예를 들어, 사용을 이해하는 몇 가지 간단 SPSSAU는 , SPSS 이러한 통계 분석 소프트웨어, 우리는 회귀 분석 알고 있습니다. 뷰의 정의 수학 포인트로서, 회귀 분석은 랜덤 변수의 집합의 연구에 말한다 (Y1 , Y2 , ... , 일) , 다른 그룹 (X1 , X2 , ... , XK) 변수 사이의 관계를 통계 학적 분석은 다중라고도 회귀 분석. 일반적 Y1은 , Y2는 , ... , 이순신는 종속 변수이며, X1은 , X2가 , ... , XK는 독립 변수이다.
사실, 간단한 점의 연구이다 X 에 Y가 회귀 분석 인 관계에 영향을 미친다. 그러나이 충분히이 아닌, 그림, 총 볼 (19) , 결국이 구별은, 어떤 종류의 반환 당신이 그것을 사용하는 방법,이 종의 반환을 (사실 별도로이 표시되지 않습니다) 19 개 차이가 만들 않습니다 그래서 뭐, 종 회귀 분석을. 이 회귀 분석의 이유가 많은입니까?
먼저, 첫 번째 대답에서 왜 이렇게 많은 회귀 분석이있다?
의 연구에서 X 를 Y 에 미치는 영향은 다음과 같은 상황의 다양한 구별 할 때 Y 일부 지정된 클래스 데이터, Y를 정량적 데이터 (참조 아이들의 신발을 이해하지 않을 경우 SPSSAU 공식 웹 사이트 도움말 설명서를 )있을 수 있습니다 Y가 여러 또는이 한 창을 각 회귀 분석하면서, 해결에 상응하는 다른 회귀 방법이 있다면 많은 전제 조건이 충족되지 있습니다. 이 많은 회귀 분석입니다 왜이가 해결 될 것입니다. 다음은 이러한 거치게됩니다 19 개 종의 회귀 분석.
둘째, 데이터 타입 별 회귀 분석
먼저, 회귀 분석 Y (종속 변수)를 구별하는 데이터 형식의 정량적 경우 1 , 우리는 일반적으로, 선형 회귀를 사용하여 (예를 들면 높이 등)의 Ge Y가 주어진 클래스이고 1 창 (애플 폰을 구매 의지 등) 호출이 경우 로지스틱 회귀 경우 Y는 사용해야 이때 복수의 정량적이고 PLS의 회귀 (즉, 부분 최소 제곱 회귀)
선형 회귀는 세분화 : 회귀 모델의 경우 X 만 1. 제는 다음은 단순 회귀 분석이나 선형 회귀라고, 만약 X가 현재 다중 선형 회귀로 알려진 복수 갖는다.
로지스틱 회귀는 세분화 : 만약 Y 와 같은 두 가지 범주로 0 및 1 (예 1 의향 및 0 아닌 한 구입 및 대 0 후라고 살까지) 이위안 로지스틱 회귀 , 만약 Y가 멀티 클래스 인 예컨대 1 , 2 , 3 (예 DELL, 씽크 맥 ) , 이 시간이 될 것이다 다중 분류 로지스틱 회귀 , 만약 Y가 멀티 클래스 질서 같은 인 1 , 2 , 3 (예를 들어 1 , 꺼리는 2 중립 3 ) 기꺼이, 당신은 주문 사용할 수 있습니다 로지스틱 회귀. 면Y는 가끔 사용하는 두 가지 유형이다 이위안 프로 빗 회귀 모델을 .
만약 또, Y가 정량적 복수이며, 종종 것이다 Y는 요약 합친 . 한 후 반대로 사용을 고려 선형 회귀를 사용하여 (예컨대, 평균)을 제 PLS 이상의 회귀 (그러나 사실,이 케이스 이하, PLS 회귀 모델)은 매우 복잡하다.
셋째, 깊이 설명 선형 회귀 모델 때문에
우리의 일반적인 회귀 분석, 선형 회귀 및 로지스틱 회귀 가장 일반적인. 현재의 연구는 가장 크고 가장 널리 사용하고, 대부분의 사람들은 연구 방법을 이해하기 쉽게 받아 들인다.
특히, 선형 회귀 분석에서는 대부분이 대부분의 연구, 대부분의 생명 현상은 선형 회귀 분석을 사용하여 공부하실 수 있습니다, 성숙 사용하여 회귀 분석하여 좀 더 회귀를 결합 할 것이다 동시에 회귀 모델은 가정의 많은, 또는 대회가있을 것입니다 이러한 가정이 만족되지 않거나 조건이 모델 오류의 사용으로 이어질 것입니다 경우 조건은,이 시간이 너무 선형 회귀가 수익을 많이 나온 뒤에 따라, 이러한 문제를 해결하기 위해 밖으로 해당하는 다른 회귀 모델이 있습니다. 도는 다음과 같습니다 :
선형 회귀 분석의 연구이다 X 에 Y의 이 다수있는 경우, 효과 X , 모델이 자동으로 의미있는 식별하도록하려면 X를 다음 단계적 회귀를 사용할 수 있습니다. 거의 관리 수준의 연구는 중간 또는 규정의 역할을 포함 또한에, 다음은 계층 적 회귀 또는 패킷 회귀 분석을 사용하는 것이 가능하다.
모델이 공선 나타나는 경우 선형 회귀 분석시, VIF 큰 가치를, 다음은 능선 회귀 분석을 사용하여 해결 될 수있다, 능선 회귀는 더 널리, 사실, 거기에 사용 올가미 회귀 공선 성 문제가 해결 될 수 있지만, 사용 거의 그것의.
데이터의 아웃 라이어가있는 경우, 일반적인 솔루션은 다음 강력한 회귀 모델을 사용하여 고려할 수, 먼저 이상치 제거하는 것입니다,하지만 때로는 정말 이상치 제거 할 수 없습니다.
선형 회귀 전제 것을 X 및 Y는 선형 관계를 갖고 있지만, 종종 X 와 Y는 본질적으로 회귀 곡선의 선형 관계를 회귀 모두 사용 출력 비선형 회귀 곡선 위로 이번에 아니다 변환 곡선은 식 모델 발현 연구 선형이지만, 선형 회귀와 같은 것이 아니다 완전히 거의 사용 물론 더 복잡한 비선형 회귀,의. 그리고 포아송 회귀 분석 (포아송 회귀)가 받는 의미 Y의 포아송 분포 라인의 연구에 사용 된 회귀 모델.
넷째, 다른
또한, 이러한 가중치를가 WLS의 적은 별도로 도시하지 사용 회귀.
마지막으로, 특별한 노트의 모델로의 회귀가 호출 콕스 많은 의료 연구에 사용되는 방법이다 회귀, 삶의 연구는 우울증 환자의 생존 기간과 같은 관계에 영향을 미칠 것입니다, 암의 죽음의 시간은 관계 등등에 영향을 미칩니다.
, 한 번 정리해 19 종의 반환 요약, 기본적으로 수 SPSSAU는 다양한 회귀 분석 방법의 유형 및 특정 원칙의 사용과 관련하여, 위의 발견, 당신은 볼 수 SPSSAU 공식 웹 사이트 , 그리고 사용할 수 있습니다 SPSSAU 위의 경우 데이터를 하나, 하나 분석 작업.