统计学数学模型.docxVIP

一、多元回归?1、方法概述：?在研究变量之间的相互影响关系模型时候，用到这类方法，具体地说：其可以定量地描述某一现象和某些因素之间的函数关系，将各变量的已知值带入回归方程可以求出因变量的估计值，从而可以进行预测等相关研究。?2、分类?分为两类：多元线性回归和非线性线性回归；其中非线性回归可以通过一定的变化转化为线性回归，比如：y=lnx?可以转化为?y=u??u=lnx来解决；所以这里主要说明多元线性回归应该注意的问题。?3、?注意事项??在做回归的时候，一定要注意两件事：?（1）?回归方程的显著性检验（可以通过sas和spss来解决）?（2）?回归系数的显著性检验（可以通过sas和spss来解决）?检验是很多学生在建模中不注意的地方，好的检验结果可以体现出你模型的优劣，是完整论文的体现，所以这点大家一定要注意。?4、使用步骤：?（1）根据已知条件的数据，通过预处理得出图像的大致趋势或者数据之间的大致关系；?（2）选取适当的回归方程；??（3）拟合回归参数；?回归方程显著性检验及回归系数显著性检验??进行后继研究（如：预测等）?这种模型的的特点是直观，容易理解。?这体现在：动态聚类图可以很直观地体现出来！?当然，这只是直观的一个方面！?二、聚类分析?聚类有两种类型：??Q型聚类：即对样本聚类；?（2）?R型聚类：即对变量聚类；?聚类方法：?（1）?最短距离法?（2）?最长距离法?（3）?中间距离法?（4）?重心法?（5）?类平均法?（6）?可变类平均法?（7）?可变法?（8）?利差平均和法?在具体做题中，适当选取方法；?3、注意事项?在样本量比较大时，要得到聚类结果就显得不是很容易，这时需要根据背景知识和相关的其他方法辅助处理。?还需要注意的是：如果总体样本的显著性差异不是特别大的时候，使用的时候也要注意！?方法步骤?（1）首先把每个样本自成一类；?（2）选取适当的衡量标准，得到衡量矩阵，比如说：距离矩阵或相似性矩阵，找到矩阵中最小的元素，将该元素对应的两个类归为一类，?（4）重复第2步，直到只剩下一个类；?补充：聚类分析是一种无监督的分类，下面将介绍有监督的“分类”。?我简单说明下，无监督学习和有监督学习是什么?无监督学习：发现的知识是未知的?而有监督学习：发现的知识是已知的?或者这么说吧：?有监督学习是对一个已知模型做优化，而无监督学习是从数据中挖掘模型?他们在分类中应用比较广泛?（非数值分类）?如果是数值分类就是预测了，这点要注意?三、数据分类?1、方法概述?数据分类是一种典型的有监督的机器学习方法，其目的是从一组已知类别的数据中发现分类模型，以预测新数据的未知类别。?这里需要说明的是：预测和分类是有区别的，预测是对数据的预测，而分类是类别的预测。?类别?方法：?（1）神经网路?（2）决策树（这里不再阐述，有兴趣的同学，可以参考数据挖掘和数据仓库相关书籍）?3、注意事项?1》?神经网路适用于下列情况的分类：?（1）?数据量比较小，缺少足够的样本建立数学模型；?（2）?数据的结构难以用传统的统计方法来描述?（3）?分类模型难以表示为传统的统计模型?这里主要介绍以上三点，其他的情况大家可以自己总结！?2》?神经网路的优点：?分类准确度高，并行分布处理能力强，?对噪声数据有较强的鲁棒性和容错能力?能够充分逼近复杂的非线性关系，具备联想记忆的功能等。?3》?神经网路缺点：?需要大量的参数，不能观察中间学习过程，输出结果较难解释，会影响到结果的可信度，需要较长的学习时间，当数据量较大的时候，学习速度会制约其应用。?4、步骤?这里只做简略说明，具体步骤，大家可以查阅《神经网路》《数据挖掘》等相关书籍?（1）初始化全系数?（2）输入训练样本?（3）计算实际输出值?（4）计算实际输出值和期望输出值之间的误差?（5）用误差去修改权系数?（6）判断是否满足终止条件，如果满足终止，否则进入第二步?.四、判别分析?概述?其是基于已知类别的训练样本，对未知类别的样本判别的一种统计方法，也是一种有监督的学习方法，是分类的一个子方法！?具体是：在研究已经过分类的样本基础上，根据某些判别分析方法建立判别式，然后对未知分类的样本进行分类！?2、分类?根据判别分析方法的不同，可分为下面几类：?（1）?距离判别法?（2）?Fisher判别法?（3）?Bayes判别法?（4）?逐步判别法?关于这几类的方法的介绍，大家可以参考《多元统计学》，其中比较常用的是bayes判别法和逐步判别法?3、?注意事项：?判别分析主要针对的是有监督学习的分类问题。共有四种方法，这里重点注意其优缺点：（1）?距离判别方法简单容易理解，但是它将总体等概率看待，没有差异性；?（2）?Bayes判别法有效地解决了距离判别法的不足，即：其考虑了先验概率——所以通常这种方法在实际中应用比较多