一、多元回归 1、方法概述： 在讨论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量值，从而可以进行预测等相关讨论。 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； （4）回归方程显著性检验及回归系数显著性检验 （5） 进行后继讨论（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: （1） 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：假如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！ 4、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) 假如是...
