SPSS（十七）SPSS之判别分析进阶（图文+数据集）

最新推荐文章于 2024-04-29 10:48:20 发布

路易三十六

最新推荐文章于 2024-04-29 10:48:20 发布

阅读量6.7k

点赞数 5

分类专栏： SPSS SPSS 文章标签：树模型结构神经网络模型 SPSS（十七）SPSS之判别分析进阶（图文+数据集）最近邻元素

本文链接：https://blog.csdn.net/LuYi_WeiLin/article/details/91352296

版权

为什么会有这些新模型的出现？

任何统计模型都是对现实世界复杂联系的简化
统计理论假设对任何一个随机现象的估计，都可以用下列的通式来表达：
Y=f(x, θ)+ε
f(x, θ)表示自变量对因变量的影响方式（一般规律），其中θ表示相应的函数中的未知参数（共性特征）
ε为对每个个体而言的特殊特征，代表随机变异（个性特征）
统计模型的任务就是尽量精确的估计出f(x, θ)中f()的具体形式，以及θ的相应参数值；根据专业知识和样本信息建立模型假设，然后利用假设检验进行验证，并加以相应的修改；原则：简捷为美
当f()比较简单时，这一分析思路效率较高
但是，当自变量和因变量间的联系为非常复杂的非线性函数，甚至于无法给出显式表达时，这上分析思路就变得非常困难；作为模型的推广，如果自/因变量间的关联为曲线联系，则引入自变量的高次项/交互项加以拟和

我们来看一下实例（饮酒量、年龄对早产的影响）

我么使用传统的Logistic回归模型，得到结果如下

分析结果显示：年龄和饮酒均对新生儿早产有影响，年龄越大、饮酒量越高，早产的可能性越大

模型的总预测正确率为90%以上，但是，这个模型对数据的解释充分吗？
显然是不充分的，没有考虑到交互项的影响

假如我们使用树模型结果会怎么样呢？

由于分别按照自变量取值依次划分样本，如果采用树形图，则可以表示如右：

每个亚人群内部的因变量取值高度一致（同质性高）
而不同亚人群间的因变量取值差异较大（相应的变异尽量落在不同亚人群间）

树模型的优势

树模型的劣势

关注