:::: MENU ::::
Allgemein

예제 를 통한 회귀 분석 pdf

다중 회귀 프로시저는 응답 변수 Y를 여러 예측 변수 X1, X2, … 사용자는 피팅에 모든 예측 변수를 포함하거나 중요한 예측 변수만포함하는 서브세트를 선택하기 위해 단계별 회귀를 사용하도록 프로그램을 요청할 수 있다. 동시에 Box-Cox 방법을 사용하여 비정규성과 코크레인-오컷 프로시저를 사용하여 자동 상관 잔차를 처리할 수 있습니다. 직교 회귀 절차는 X와 Y가 모두 오류로 관찰될 때 종속 변수 Y에 대한 단일 정량 적 요인 X의 영향을 설명하는 통계 모델을 구성하도록 설계되었습니다. 27개의 선형 및 비선형 모델 중 어느 것이든 적합할 수 있습니다. 개수되는 응답 변수의 경우 STATGRAPHICS는 푸아송 회귀와 음수 이항 회귀의 두 가지 절차를 제공합니다. 각각은 정량 및 범주형 예측 변수를 모두 포함하는 로그선형 모델에 적합합니다. 예측 변수 수가 과도하지 않은 경우 1개의 예측 변수, 2개의 예측 변수, 3개의 예측 변수 등의 모든 조합을 포함하는 회귀 모델을 맞추고 적합도 통계에 따라 모델을 정렬할 수 있습니다. STATGRAPHICS에서 회귀 모델 선택 프로시저는 이러한 구성표를 구현하여 조정된 R-제곱 또는 멜로의 Cp 통계의 최상의 값을 제공하는 모델을 선택합니다. 응답 변수가 비율 또는 이진 값(0 또는 1)인 경우 표준 회귀 기술을 수정해야 합니다. STATGRAPHICS는 이 상황에 대한 두 가지 중요한 절차인 로지스틱 회귀 및 프로빗 분석을 제공합니다.

두 방법 모두 0과 1 사이에 있는 것으로 제한된 예측 방정식을 생성합니다. 분류 및 회귀 트리 프로시저는 데이터에서 관찰을 예측하는 기계 학습 프로세스를 구현합니다. 회귀 분석은 응답 변수와 하나 이상의 예측 변수 사이의 관계를 모델링하는 데 사용됩니다. STATGRAPHICS 백부장은 다양한 유형의 회귀 모델을 피팅하기 위한 많은 절차를 제공합니다: 경우에 따라 여러 회귀 선을 비교할 필요가 있습니다. STATGRAPHICS는 “BY” 변수의 각 레벨에 대해 병렬 또는 비평행 선형 회귀에 맞고 통계 테스트를 수행하여 선의 절편 및/또는 경사가 현저하게 다른지 여부를 결정합니다. GLM 절차는 예측 변수에 정량적 요인과 범주적 인 요인이 모두 포함된 경우에 유용합니다. 회귀 모델을 피팅할 때 지표면 및 등고선 플롯을 쉽게 작성할 수 있는 기능을 제공합니다. 응답 변수가 정규 분포를 따르지 않는 경우 Box 및 Cox의 메서드를 사용하여 맞춤을 향상시키는 변환을 찾을 수 있습니다.

이들의 변환은 Y. STATGRAPHICS의 힘을 기반으로 자동으로 최적의 전력을 결정하고 적절한 모델에 맞게합니다. 일반적인 교정 문제에서는 다수의 알려진 샘플이 측정되고 측정값을 기준 값과 관련된 방정식이 적합합니다. 그런 다음 피팅된 방정식은 샘플을 측정한 후 역예측(Y에서 X 예측)을 생성하여 알 수 없는 샘플의 값을 예측하는 데 사용됩니다. 비선형 방정식을 피팅하는 또 다른 방법은 X의 다항식 함수를 고려하는 것입니다. 보간 목적을 위해 다항식은 많은 종류의 함수를 근사화할 수 있는 매력적인 특성을 가지고 있습니다. 대부분의 최소 제곱 회귀 프로그램은 계수에 선형인 모델에 맞게 설계되었습니다. 분석가가 본질적으로 비선형 모델에 맞추려는 경우 숫자 프로시저를 사용해야 합니다. STATGRAPHICS 비선형 최소 제곱 프로시저는 사용자가 입력한 모든 함수에 맞게 Marquardt로 인한 알고리즘을 사용합니다. 이 브라우저에서 쿠키를 사용할 수 없습니다.

Share via emailShare on Facebook+1Share on LinkedInPin it on PinterestShare on TwitterSubmit to reddit

Seitenanfang
Fragen und oder Angebote einholen ? Kontaktieren Sie uns