摘要：
1 时序的平滑化和季节性分解 对时序数据建立复杂模型之前也需要对其进行描述和可视化。在本节中，我们将对时序进行平滑化以探究其总体趋势，并对其进行分解以观察时序中是否存在季节性因素。 1.1 通过简单移动平均进行平滑处理 时序数据集中通常有很显著的随机或误差成分。为了辨明数据中的规律，我们总是希望能够 阅读全文
posted @ 2021-08-13 16:39
zhang-X
阅读(3096)
评论(0)
推荐(0)
摘要：
时间序列 时间序列（简称时序），对时序数据的研究包括两个基本问题：对数据的描述（这段时间内发生了什么）以及预测（接下来将会发生什么）。对时间序列数据未来值进行预测是基本的人类活动，对时序数据的研究在现实世界中也有着广泛的应用。经济学家尝试通过时序分析理解并预测金融市场；城市规划者基于时序数据预测未来 阅读全文
posted @ 2021-08-13 16:33
zhang-X
阅读(1010)
评论(0)
推荐(0)
摘要：
因子分析 探索性因子分析（EFA）是一系列用来发现一组变量的潜在结构的方法。它通过寻找一组更小的、潜在的或隐藏的结构来解释已观测到的、显式的变量间的关系。例如，Harman74.cor包含了24个心理测验间的相互关系，受试对象为145个七年级或八年级的学生。假使应用EFA来探索该数据，结果表明276 阅读全文
posted @ 2021-08-13 16:30
zhang-X
阅读(2274)
评论(0)
推荐(0)
摘要：
主成分分析 主成分分析（PCA）是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分。例如，使用PCA可将30个相关（很可能冗余）的环境变量转化为5个无关的成分变量，并且尽可能地保留原始数据集的信息。 1 R中的主成分和因子分析 R的基础安装包提供了PCA和EFA 阅读全文
posted @ 2021-08-13 16:19
zhang-X
阅读(2732)
评论(0)
推荐(0)
摘要：
泊松回归 当通过一系列连续型和/或类别型预测变量来预测计数型结果变量时，泊松回归是一个非常有用的工具。为阐述泊松回归模型的拟合过程，并探讨一些可能出现的问题，我们将使用robust包中的Breslow癫痫数据（Breslow，1993）。特别地，我们将讨论在治疗初期的八周内，抗癫痫药物对癫痫发病数的 阅读全文
posted @ 2021-08-13 16:13
zhang-X
阅读(1497)
评论(0)
推荐(0)
摘要：
1 广义线性模型和 glm()函数 广义线性模型扩展了线性模型的框架，它包含了非正态因变量的分析。重点关注该框架中两种流行的模型：Logistic回归（因变量为类别型），比如多分类变量（比如差/良好/优秀）和泊松回归（因变量为计数型），比如一周交通事故的数目，每日酒水消耗的数量。 1.1 glm() 阅读全文
posted @ 2021-08-13 16:04
zhang-X
阅读(4981)
评论(0)
推荐(0)
浙公网安备 33010602011771号