新闻中心

EEPW首页 > 智能计算 > 设计应用 > 七大统计模型详解

七大统计模型详解

作者:时间:2018-12-10来源:网络收藏

  四、判别分析

本文引用地址:http://www.eepw.com.cn/article/201812/395418.htm

  1、概述

  判别分析是基于已知类别的训练样本,对未知类别的样本判别的一种统计方法,也是一种有监督的学习方法,是分类的一个子方法!

  


  具体是:在研究已经过分类的样本基础上,根据某些判别分析方法建立判别式,然后对未知分类的样本进行分类!

  2、判别方法

  根据判别分析方法的不同,可分为下面几类:

  (1) 距离判别法

  (2) Fisher判别法

  (3) Bayes判别法

  (4) 逐步判别法

  比较常用的是Bayes判别法和逐步判别法

  3、 注意事项:

  判别分析主要针对的是有监督学习的分类问题。这里重点注意其优缺点:

  (1) 距离判别方法简单容易理解,但是它将总体等概率看待,没有差异性;

  (2) Bayes判别法有效地解决了距离判别法的不足,即:其考虑了先验概率——所以通常这种方法在实际中应用比较多!

  (3) 判别分析要求给定的样本数据必须有明显的差异,在进行判别分析之前,应首先检验各类均值是不是有差异,如果检验后某两个总体的差异不明显,应将这两个总体合为一个总体,再由剩下的互不相同的总体重现建立判别分析模型。

  (4)Fisher判别法和bayes判别法的使用要求:两者对总体的数据的分布要求不同,Fisher要求对数据分布没有特殊要求,而bayes则要求数据分布是多元正态分布,但实际中却没有这么严格!

  五、主成分分析

  1、概述

  主成分分析是一种降维数的数学方法,具体就是,通过降维技术将多个变量化为少数几个主成分的统计分析方法。

  在建模中,主要用于降维,系统评估,回归分析,加权分析等等。

  2、分类(无)

  3、注意事项

  在应用主成分分析时候,应该注意:

  (1) 综合指标彼此独立或者不相互干涉

  (2) 每个综合指标所反映的各个样本的总信息量等于对应特征向量的特征值。通常要选取的综合指标的特征值贡献率之和应为80%以上

  (3) 其在应用上侧重于信息贡献影响力的综合评价

  (4) 当主成分因子负荷的符号有正也有负的时候,综合评价的函数意义就不明确!

  六、因子分析

  1、概述

  因子分析是将变量总和为数量较少的几个因子,是降维的一种数学技术!

  它和主成分分析的最大区别是:其是一种探索性分析方法,即:通过用最少个数的几个不可观察的变量来说明出现在可观察变量中的相关模型,它提供了一种有效的利用数学模型来解释事物之间的关系,体现出数据挖掘的一点精神!

  2、分类

  R型因子分析,即对变量的研究,此为常用

  Q型因子分析,即对样本的研究

  3、因子分析和主成分分析的区别和联系

  (1) 两者都是降维数学技术,前者是后者的推广和发展

  (2) 主成分分析只是一般的变量替换,其始终是基于原始变量研究数据的模型规律;而因子分析则是通过挖掘出新的少数变量,来研究的一种方法,有点像数据挖掘中的未知关联关则发现!

  七、时间序列

  1、概述

  时间序列预测法是一种定量分析方法,它是在时间序列变量分析的基础上,运用一定的数学方法建立预测模型,使时间趋势向外延伸,从而预测未来市场的发展变化趋势,确定变量预测值。

  基本特点是:假定事物的过去趋势会延伸到未来;预测所依据的数据具有不规则性;撇开市场发展之间的因果关系。

  


  2、分类

  时间序列的变动形态一般分为四种:

  长期趋势变动

  季节变动

  循环变动

  不规则变动

  方法分类:

  (1) 平均数预测

  (2) 移动平均数预测

  (3) 指数平滑法预测

  (4) 趋势法预测

  (5) 季节变动法


上一页 1 2 下一页

评论


技术专区

关闭