一元线性回归算法python实现,一元线性回归建模步骤以及案例分析

　　SPSS广义线性模型：广义估计方程

　　1.广义估计方程：

　　1.概念：广义估计方程过程扩展了广义线性模型，允许分析重复测量或其他相关观察数据，如聚类数据。

　　2.例子。公共卫生官员可以使用广义估计方程和重复测量逻辑回归模型来研究空气污染对儿童的影响。

　　3.数据。响应可以是标度数据、计数数据、二进制数据或测试事件数据。假设因素被分类。假设协变量、标度权重和偏移量是标度型的。用于定义主题的变量或主题中的重复测量不能用于定义响应，但它们可以在模型中扮演其他角色。

　　4.假设。假设每个病例在受试者内部是相关的，而在受试者之间是独立的。表示对象内相关性的相关矩阵被估计为模型的一部分。

　　二。重复(分析-广义线性模型-广义估计方程-重复)

　　1.主题中的变量。主题中内部变量值的组合定义了主题中指标的顺序；因此，受试者内部变量和受试者变量的组合唯一地定义了每个指标。例如，时间、医院ID和患者ID的组合为每个病例定义了特定患者在特定医院的一次就诊。如果数据集已经排序，并且每个主题的重复度量以正确的顺序出现在连续的案例段中，则不严格要求指定主题内变量，您可以取消选择按单个变量和主题内变量排序案例，并节省执行(临时)排序所需的处理时间。通常，使用体内变量来保证测量的正确顺序是一个很好的方法。主体中的变量和主体内的变量不能用于定义响应，但是它们可以在模型中执行其他功能。例如，医院ID可以用作模型中的一个因素。

　　2.协方差矩阵。基于模型的估计是Hessian矩阵的广义逆矩阵。稳健性估计(也称为Huber/White/sandwich估计)是一种基于“校正”模型的估计，即使错误地指定了工作相关矩阵，它也可以提供一致的协方差估计。此规格适用于广义估计方程的线性模型部分的参数，而估计选项卡上的规格仅适用于初始广义线性模型。

　　3.工作关联矩阵。该相关矩阵表示体内相关性。它的大小是由度量的数量决定的，所以也是由主题中变量的值的组合决定的。您可以指定以下结构之一：独立。重复测量是不相关的。AR(1).重复有一阶自回归关系。任何两个元素之间的相关性对于相邻元素为0，对于被第三个元素分隔的元素为2，依此类推。受到约束，以便11。可交换。这种结构在元素之间具有同质的相关性。也称为复合对称结构。根据m协变量。的连续测量具有共同的相关系数，由第三个测量分开的测量对具有共同的相关系数，等等，直到m。

　　1个由其他指标分隔的测量对。具有更多间隔的测量值被认为是不相关的。选择此结构时，请指定小于工作相关矩阵阶数的m值。无结构。这是一个非常通用的相关矩阵。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。