基于混合回归模型的电炉生产企业经济产业结构影响因素多变量分析

分析经济产业结构影响因素对扩大电炉企业生产规模、重构电炉生产经济产业结构有着十分重要的现实意义,因此基于混合回归模型,分析了电炉生产企业经济产业结构影响因素。分析电炉生产规模现状,根据现阶段电炉国际贸易格局,选择四项指标构建混合回归模型。将我国电炉进口规模、电炉交通运输能力、电炉生产技术创新和环境规制作为自变量,电炉生产规模作为因变量带入混合回归模型中,实现电炉生产企业经济产业结构影响因素的深入分析。分析结果表明,我国电炉进口规模与电炉生产存在负相关联系,电炉交通运输能力、电炉生产技术创新和环境规制强度与电炉生产存在正相关联系。根据分析结果,可以优化经济产业结构,扩大生产规模,推动电炉生产发展。

基于多变量逻辑回归的帕金森病认知障碍预测模型

帕金森病(Parkinson’s disease,PD)患者常伴随认知障碍,严重影响生活质量,因此对帕金森病认知障碍进行超前预测对于临床诊断和干预至关重要。然而,帕金森病受多变量因素(如年龄、性别、病程时间等)的耦合影响,使得认知障碍的超前预测面临严峻挑战。针对帕金森病认知障碍的多变量耦合特性,采用多变量逻辑回归方法,构建了一种新型列线图模型,旨在超前预测帕金森病患者发生认知障碍(cognitive impair‐ment,CI)的风险。首先,应用最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)算法对可能影响患者认知能力的风险因素进行了分析,筛选出相关性高的临床变量。其次,采用多变量逻辑回归方法分析各变量之间的相关性,构建可视化的新型列线图模型,实现对帕金森病认知障碍的风险超前预测。最后,模型性能评估结果表明新型认知障碍预测模型具有良好的准确性、一致性和临床实用性,可显著地提高临床医生的诊断效率。此外,该模型还实现了对同一预测因子不同值的患者数量及分布的可视化对比和分析,能够辅助临床医生根据每位患者的个人风险制定个性化的医疗管理和咨询方案,有助于更早地展开对患者的干预和治疗,具备一定的临床诊断价值。

上海市嘉定区农村居民就诊单位选择的影响因素分析——决策树和多分类无序反应变量的logistic回归相结合的方法

目的分析影响上海市嘉定区农村居民就诊单位选择的因素,并探讨logistic回归分析和决策树(CHAID法)相结合的方法的应用。方法采用多分类无序反应变量的logistic回归分析和决策树(CHAID法)相结合的方法,用似然比检验比较模型之间的优劣,确定最佳模型。结果影响嘉定区农村居民选择就诊单位的主要因素是保健制度、年龄、恩格尔系数、性别、看病距离、职业以及保健制度和文化程度的交互作用。结论决策树提供解释变量类别的重新划分和因素之间的相互作用的信息,logistic模型提供因素的主效应作用以及对交互作用是否存在的检验信息,两者结合,可以更加全面地挖掘出对目标变量有影响的因素及因素之间的交互作用。

单变量的频分多曲线回归分析方法

回归分析中,如果自变量仅有一个,则只能进行单变量回归分析,拟合一条曲线。虽然该曲线能够反应数据发展的总体趋势,但是却不能体现数据在总体趋势周围的波动性,导致依据该拟合曲线的预测值是一种理想取值,偏差较大。针对此问题,提出分频曲线拟合的方法。按照数据所处的层次多次拟合,形成拟合曲线簇,在此拟合曲线簇的基础上,构造多元回归分析算法,实现了单变量的多元回归算法。实验结果表明,该分析算法比传统的单变量回归分析和最小二乘曲线拟合有更好的预测精度,且能够更好地反应数据的波动性发展趋势。

激光诱导击穿光谱测量油套管中元素浓度的单变量和多变量线性回归分析研究

油套管的化学成分对油套管的各项力学性能有重要影响。本研究利用激光诱导击穿光谱仪(LIBS)对钢铁光谱标准样品进行光谱数据采集,用MATLAB软件编程进行数据处理,建立定标曲线,从而对油套管的元素进行定量分析。本文比较了单变量线性回归定标和利用偏最小二乘法(PLS)多变量线性回归定标的效果。结果表明利用偏最小二乘法(PLS)多变量定标可以提高数学模型的相关系数和减少绝对平均误差,取得了令人满意的效果。

高维数据回归分析中基于LASSO的自变量选择

生物信息学背景下普遍存在着高维数据，所谓的“高维”即待估计的未知参数的个数是样本量的一个或几个数量级，例如Van’t Veer（2002）心0等学者收集的乳腺癌数据集共包括259例乳腺癌患者，25000个微阵列基因数据，研究变量个数25000远远大于样本量259，存在“高维”现象。传统的方法进行参数估计和统计推断的一个必要前提是待估参数的个数小于样本量，这样统计推断的结果才是稳定、可靠的。

单因变量的偏最小二乘回归模型及其应用

采用偏最小二乘回归对大坝位移监测资料进行建模 ,并应用于某土石坝的沉降资料分析中 ,结果表明 ,该方法有较高的预报精度 .

基于主成分分析的单变量时间序列聚类方法

针对时间序列数据的高维特性,在进行理论分析的基础上,利用主成分分析法提出了一种单变量时间序列数据降维的新方法,进而提出了基于主成分分析的单变量时间序列聚类方法。其主要思想是在线性空间中的同一组基下,用系数之间的相似性来刻画对应时间序列之间相似性,在理论分析过程中,首先对单变量时间序列数据集进行主成分分析,其次分析了单变量时间序列数据集、样本协方差矩阵的特征向量与主成分之间的关系,并证明了由主成分构成的向量组线性无关。为了进一步验证理论分析结果的正确性和所提算法的有效性,分别利用仿真数据和真实的股票数据进行了数值实验。

基于因果关系图进行多因素回归分析的变量筛选

在流行病学研究中,常见的是采用建立线性或者logistic回归的方法分析两种或者多种现象之间的因果关系。观察性的研究中,研究者期望分析某种健康/疾病产生的多种原因,因此在构建线性或者分类回归（如logistic）模型上,往往采用同时纳入多种变量的方式模拟真实场景来分析这种健康/疾病现象产生的可能原因;临床试验中,虽然研究者主要关注干预或者实验措施的有效性,但是多因素回归模型往往也是最受欢迎的统计学方法。

方差分析与回归分析的整合:虚拟变量与设计矩阵

方差分析与回归分析通常被误认为是两种截然不同的统计方法,实际上,方差分析可以看作是回归分析的一个特例。文章以单因素及两因素方差分析为例,论述了方差分析与回归分析方法整合的原理与过程,通过引入虚拟变量和设计矩阵,回归分析可得到与方差分析完全一致的统计结果,并提供更为精炼直观的结果解释。

用双随机变量回归改进爆破振速回归分析

介绍了用双随机变量回归方法改进爆破质点振速回归分析及其计算系统应用程序，对工程实测数据用双随机变量回归分析方法与传统的单变量回归分析方法进行的对比计算表明：该系统程序操作简便，计算精度有所提高；在预测爆破振速，确定爆破安全药量和安全距离时，能优选出更接近实际的爆振经验公式，取得更好的预测效果。

基于单变量分析的我国上市公司两阶段财务预警模型实证研究——以纺织行业为例

我国现有的财务预警研究大部分仅限于对上市公司是否会陷入ST来建立预测模型,缺少对公司陷入ST后财务状况预测的进一步研究。应着眼于为上市公司的外部信息使用者建立ST前和ST后两阶段的预测模型,即把正常公司是否会转为ST公司作为模型预测的第一阶段,把ST公司是否会暂停上市作为模型预测的第二阶段,可选取包括现金流量指标在内的五种财务指标,以纺织行业为例进行分行业的实证研究,建立纺织行业两阶段的单变量预测模型。研究结果表明这些模型在两个阶段都达到了较好的预测效果。

基于变量影响分析与数据变异的回归测试用例生成

故障修复后,程序员还需验证那些与修复故障相关的区域是否还存在故障或者引入了新的故障,这时有可能需要补充新的测试用例.现有研究大多依赖符号执行等技术,这样可能导致状态空间过大.且现有的研究统一地来考虑程序中控制流相关的故障和数据流相关的故障,但程序中控制流相关的故障与数据流相关的故障存在区别.由于程序运行时的行为与变量密切相关,并且在人工程序调试时程序员经常会关注变量的状态变化.因此该文提出了一种基于变量影响分析和数据变异的回归测试用例方法,通过分析程序中动态执行的变量状态的变化,提炼出了一种变量行为模型,该模型描述了变量自身的状态变化和变量间的依赖关系.利用变量行为模型来找到影响故障的语句集合,基于该语句集合并利用数据变异的方法可以有针对性地补充测试用例.经过实验验证,基于变量影响分析和数据变异的回归测试用例方法,在针对数据流相关的故障修复情况进行验证时效果明显,且要优于随机测试用例生成方法和基于路径覆盖的测试用例生成方法.

重复观测数据单变量方差分析的前提条件的检验

目的 重复观测数据存在自相关性常导致一元方差分析的误用 ,本文探讨一元方差分析两个前提条件的检验。方法 通过标准正交对比变换克服数据间的自相关性 ,应用似然比统计量进行前提条件的检验。结果 给出了重复观测数据一元方差分析的前提条件检验方法 ,并用软件REP得以实现。结论 只有满足前提条件 。

体育社会学研究中定类、定序变量的回归分析

回归分析是社会学研究领域中进行多因素分析最重要的研究方法之一,而将回归分析的方法应用到体育社会学实证研究中的较少。学习和掌握西方社会学这种定量分析的研究方法,对提高我国体育社会学研究方法的应用水平和研究水平具有重要意义。由于体育社会学研究中的变量主要为定类与定序变量,而体育统计教材对定类与定序变量的回归分析方法鲜有论及。从介绍定类与定序变量的回归分析方法入手,旨在为其在体育社会学研究中的应用提供方法指导。

单指标分位数回归的变量选择（英文）

多元非参数分位数回归常常是难于估计的,为了降低维数同时保持非参数估计的灵活性,人们常常用单指标的方法模拟响应变量的条件分位数.本文主要研究单指标分位数回归的变量选择.以最小化平均损失估计为基础,我们通过最小化具有SCAD惩罚项的平均损失进行变量选择和参数估计.在正则条件下,得到了单指标分位数回归SCAD变量选择的Oracle性质,给出了SCAD变量选择的计算方法,并通过模拟研究说明了本文所提方法变量选择的样本性质.

两个多重相关变量组的统计分析(3)(偏最小二乘回归与PLS过程)

本文用PLS过程建立多因变量的偏最小二乘回归模型 ,并用具体例子对最小二乘回归(MLR)、主成分回归 (PCK)和偏最小二乘回归 (PLS)

多元回归中选择自变量的一种简单方法

在线性回归模型建模中,回归自变量选择是一个受到广泛关注、文献众多,具有很强的理论和实际意义的问题.回归自变量选择子集的相合性是其中一个重要问题,如果某种自变量选择方法选择的子集在样本量趋于无穷时是相合的,而且预测均方误差较小,则这种方法是可取的.利用BIC准则可以挑选相合的自变量子集,但是在自变量个数很多时计算量过大;适应lasso方法具有较高计算效率,也能找到相合的自变量子集;本文提出一种更简单的自变量选择方法,只需要计算两次普通线性回归:第一次进行全集回归,得到全集的回归系数估计,然后利用这些回归系数估计挑选子集,然后只要在挑选的自变量子集上再进行一次普通线性回归就得到了回归结果.考虑如下的回归模型:Y_n=X_nβ~*+ε^((n)),其中回归系数β~*中非零分量下标的集合为J_O,设J_n是本文方法选择的自变量子集下标集合,β^((n))是本文方法估计的回归系数(未选中的自变量对应的系数为零),本文证明了,在适当条件下,(?)其中(β^((n))-β~*)J_O表示β^((n))-β~*的分量下标在J_O中的元素的组成的向量,σ~2是误差方差,∑,c是与矩阵(X_n^TX_n)/n极限有关的矩阵和常数.数值模拟结果表明本文方法具有很好的中小样本性质.

用SAS软件实现因变量为多值有序变量的多重logistic回归分析

因变量为多值有序变量的多重logistic回归分析是一种研究多值有序的因变量与一组自变量之间依赖关系的有效方法。该方法对自变量的性质几乎没有限制,但要求有较大的样本量并且样本的总体代表性好。回归系数具有明确的实际意义,可依据回归系数得到优势比的估计值。本文结合实例,详细介绍如何用SAS软件拟合此回归方程,并进行结果解读。

回归分析中定性变量的赋值

回归分析中对自变量的要求比较宽松,可以是服从正态分布的随机变量,也可以是分类变量及有序变量,参与回归方程的估计时需首先对分类变量和有序变量赋值。实际应用中,分类变量的赋值存在较多的误用,势必导致错误的分析结果。本文给出了最普遍发生的定性变量被错误赋值的情形,剖析了错误的原因,指出对分析结果的严重歪曲。文中阐述了哑变量设置的具体方法和结果的解释,旨在指导读者采用正确的赋值方法,对分类变量采用多个派生的哑变量参与建模计算,从而得到合理的回归分析结果。