miniprogram-CSDN博客

原创降维之探索性因子分析

有两种常用的变量降维方法，其一是主成分分析（PCA），我们在前面的文章中已学习，这次是其二方法——探索性因子分析（EFA）。PCA使用线性变换技术，将数据从原先的坐标系统变换到新的坐标系统中，并计算投射到各个坐标轴中数据的方差值，按大到小排序，第一坐标轴称为第一主成分，第二坐标轴称为第二主成分，以此类推。如此操作之后，因为主成分之间相互不相关，就解决了原始变量之间存在的信息重叠问题，用较少的新的变量最大化地对原始数据重新进行刻画，极大方便了后续的数据分析。

2023-11-21 14:10:32 398 1

原创广义线性模型之泊松回归

前面文章我们学习过Logistic回归，这次我们来学习广义线性模型框架下的泊松回归（Poisson regression），它的应变量为计数类型。在线性模型中，我们通常假设应变量Y呈正态分布，其条件均值是自变量的线性组合，即对于一系列自变量X，赋予X相应的权重，然后把它们加起来，便可预测Y可能分布的均值。而广义线性模型中的应变量Y'是条件均值Y的函数（称作连接函数），此时可放松对Y是正态分布的要求，只要其服从指数分布族中的一种分布（如二项分布、伽玛分布、泊松分布等）即可。

2023-10-20 10:37:17 553 1

原创非参检验之置换检验

置换检验（Permutation test）是属于非参检验的一种方法，特别适用于总体分布未知的小样本数据。在参数方法中，对于两种实验处理条件，我们一般假设两个总体为正态且方差齐性，然后使用双尾t检验来验证两者是否存在差异。通常零假设为两个总体的均值相等，接着计算t值，将其与理论分布相比较，如果t值落在95%置信区间之外，那么就可以拒绝零假设。置换检验的思路有些不一样，我们先来看一个例子（来自参考文章1）。

2023-10-13 10:48:59 846

原创初探R之demo(graphics)

demo(graphics)演示函数带graphics参数可以向我们展示R中代码是如何编写的，以及呈现的图形都有哪些样式。总共11组代码和图形，包括基础绘图包中的高级绘图函数pie、boxplot、hist、coplot等，以及低级绘图函数polygon、rect、axis、pairs等。

2023-10-12 09:55:36 219

原创初探R之数据结构和列联表

原文链接：初探R之数据结构和列联表从问卷研究或是实验研究中获得数据后，可以通过专门的函数导入到R中，R全面支持各种类型的数据来源，如Excel文件、SPSS文件、数据库等。而R又有哪些数据结构可以用来存储各式各样的数据呢，这是本文要学习的重点。列联表是数据分析的基础，我们以二维列联表为例演示了卡方独立性检验的操作。

2023-10-11 10:33:51 180

原创知识点之Logistic回归和效应量

原文链接：知识点之Logistic回归和效应量Logistic回归和效应量在前面的文章中已有所学习，见：广义线性模型之Logistic回归、看文献之期望和记忆如何影响经济决策（重复测量方差分析部分）、到底需要多少样本量（效应量部分）。这次对困扰本人的一些难点重新查阅了些资料，借机做进一步的思考和探讨。

2023-10-10 14:27:53 396 1

原创多元线性逐步回归

原文链接：多元线性逐步回归实际问题中，影响因变量Y的因素有很多，人们需要挑选若干变量来建立回归方程，但是要如何选择变量呢？有时我们会漏掉重要的自变量，那么所建立的方程意义就不大；有时又想囊括更多的自变量，此举会导致预测精度的下降，。要建立“最优”的回归方程，我们需要从可供选择的所有变量中挑选出对Y有显著影响的变量，并且剔除其它无显著影响的变量。“逐步回归法”是较为常用的一种方法。它有三种实现策略：正向选择、后向选择和逐步选择。一般所说的逐步回归指的是最后一种，它结合了前两种方式的优点。

2023-10-09 14:25:53 275 1

原创中介变量和调节变量分析

原文链接：中介变量和调节变量分析中介变量和调节变量都与回归分析有关，可以通过逐步回归来分析。中介效应分为完全中介和部分中介。完全中介是指中介变量M控制后（保持不变），自变量X的直接效应就没有了，相当于水流全都要经过M再到达Y；而部分中介在此种情况下，X的效应只是减弱了，但不是完全消失，相当于还存在X到Y的流通管道。调节变量指出自变量在何种情况下会影响到因变量，它为变量之间的关系提供情境性的解释。

2023-10-08 15:51:42 4160

原创使用模拟方法玩转统计推断

然而，实际情况是，抽样的数量很有限，而且抽样难免会产生误差，因此抽样结果有时会正确拒绝H0，有时又会落入误区（下图蓝色β区域）[2]。我们先从上帝的视角来展示下“真实数据”：X的回归系数为3.6，M的回归系数为0.6，X和M交互作用的回归系数为1.2，Y的标准差为8。这里的是否显著指的是非零检验的结果，即参数估计值的置信区间是否包含零。当零假设H0为假时，只要样本的数量无限接近总体的数量，那么肯定的一个结果是H0会被拒绝。至于到底需要多少的样本量，是可以通过所设定的统计功效和效应量计算出来的。

2023-10-07 12:54:30 263 1

miniprogram的博客