线性回归导论

什么是线性回归模型？

回归模型描述一个因变量和一个或多个自变量之间的关系。

线性回归

拟合线性回归模型并检查结果。

逐步回归

在逐步回归中，预测因子会自动添加到模型中或从模型中删除。

使用稳健回归降低离群值影响

拟合一个稳健的模型，该模型比普通最小二乘法对小部分数据的大变化更不敏感。

选择回归函数

根据回归问题的类型选择回归函数，并使用新的拟合函数更新遗留代码。

输出和诊断统计摘要

利用模型属性和对象函数对拟合模型进行评估。

威尔金森符号

威尔金森表示法提供了一种描述回归和重复测量模型的方法，无需指定系数值。

线性回归的工作流

线性回归工作流

导入并准备数据，拟合线性回归模型，检验并提高模型质量，共享模型。

解释线性回归结果

显示和解释线性回归输出统计信息。

具有交互作用效应的线性回归

构建并分析具有交互效应的线性回归模型，并解释结果。

使用表格的线性回归

此示例演示如何使用表格执行线性和逐步回归分析。

具有分类协变量的线性回归

使用分类数组和菲特姆.

分析时间序列数据

此示例演示如何使用时间序列对象和倒退功能。

训练线性回归模型

使用菲特姆分析内存中的数据和内存外的数据。

偏最小二乘回归

偏最小二乘法

偏最小二乘法（PLS）将新的预测变量构造为原始预测变量的线性组合，同时考虑观察到的响应值，从而形成具有可靠预测能力的简约模型。

偏最小二乘回归和主成分回归

应用偏最小二乘回归（PLSR）和主成分回归（PCR），探讨两种方法的有效性。