线性统计模型家庭作业帮助 线性回归是最基本的回归类型和常用预测分析。回归的总体思路是检查两件事情：（1）一组预测变量在预测结果变量方面做得很好？使用预测因子的模型是否影响因变量的变化？ （2）哪些变量特别是因变量的重要预测因子？他们以什么方式 – 由β估计的大小和标志表示 – 影响因变量？这些回归估计用于解释一个因变量与一个或多个独立变量之间的关系。 （3）什么是回归方程，显示如何使用一组预测变量来预测结果？具有一个相关和一个独立变量的方程式的最简单形式由公式y = c + b * x定义，其中y =估计的依赖分数，c =常数，b =回归系数，x =自变量。 命名变量。回归的因变量有很多名称。它被称为标准变量，内源变量，预后变量或回归。独立变量可以称为外生变量，预测变量或回归。 更多关于回归的使用。回归分析的三个主要用途是（1）因果分析，（2）预测效应，（3）趋势预测。除了关注两个或多个变量之间关系的强度的相关分析之外，回归分析假定一个或多个独立变量和一个因变量之间存在依赖关系或因果关系。 […]
线性规划问题家庭作业帮助 线性规划（LP）（也称为线性优化）是在数学模型中实现最佳结果（如最大利润或最低成本）的方法，其需求由线性关系表示。 线性规划是采取与某些情况相关的各种线性不等式的过程，并找到在这些条件下可获得的“最佳”值。一个典型的例子将是材料和劳动力的限制，然后在这些条件下确定最大利润的“最佳”生产水平。 在“现实生活”中，线性规划是一个非常重要的数学领域的一部分，称为“优化技术”。这一研究领域（或至少其应用结果）每天都在资源的组织和分配中使用。这些“现实生活”系统可以有几十个或几百个变量，或更多。然而，在代数中，您只能使用简单（和可绘制）双变量线性案例。 解决线性规划练习的一般过程是绘制不平等（称为“约束”），以在x，y平面上形成一个封闭区域（称为“可行性区域”）。然后，您可以找出该可行性区域的角点坐标（即找到各条线对的交点），并在公式（称为“优化方程”）中测试这些角点，试图找到最高或最低的价值。 线性规划 有时称为线性优化的线性规划是由线性和非负性约束指定的凸多面体的最大化或最小化线性函数的问题。简单来说，线性规划是使用线性数学模型基于某些约束集的结果的优化。 线性规划在Wolfram语言中被实现为线性规划[c，m，b]，其找到一个向量，其最大限度地限制受约束和限制。 线性规划理论属于凸优化理论，也被认为是运算研究的重要组成部分。线性规划广泛应用于商业和经济，但也可用于解决某些工程问题。 经济学中的例子包括Leontief的投入产出模型，影子价格的确定等，商业应用的一个例子将是利用相同的资源从同一原材料生产不同产品的工厂的利润最大化，以及示例工程应用包括切比雪夫近似和结构设计（例如，平面桁架的极限分析）。 线性规划可以使用在可视化固体的多边形边缘上运行的单纯形法（Wood和Dantzig 1949，Dantzig 1949）来求解，以找到最佳答案。 Khachian（1979）发现了一个多项式时间算法。 Karmarkar（1984）发现了一种更有效的多项式时间算法。这种方法通过固体的中间（使其成为所谓的内点法），然后变换和变形。可以说，内部方法早在20世纪60年代就以屏障功能方法的形式被称为知识，但随着卡马卡尔的宣传，媒体炒作导致了这些方法的广泛关注。 变量可能只采用整数值的线性规划称为整数编程。 在电视犯罪戏剧NUMB3RS的第4季开幕式“信任度量”（2007）中，数学天才Charlie Eppes使用“你不需要Karmarkar的算法”这个短语来表示“你不需要成为一名火箭科学家知道….” 线性规划示例1997 UG考试
线性模型和马尔可夫链家庭作业帮助 线性模型描述作为一个或多个预测变量的函数的连续响应变量。他们可以帮助您了解和预测复杂系统的行为或分析实验，财务和生物数据。 线性回归是用于创建线性模型的统计方法。该模型描述了因变量yy（也称为响应）作为一个或多个独立变量XiXi（称为预测变量）的函数之间的关系。线性模型的一般方程是： y =β0+ΣβiXi+εiy=β0+ΣβiXi+εi 其中ββ表示要计算的线性参数估计，εε表示误差项。 有几种类型的线性回归： 简单线性回归：仅使用一个预测因子的模型 多元线性回归：使用多个预测因子的模型 多变量线性回归：多个响应变量的模型 简单的线性回归通常在MATLAB中完成。对于多元和多元线性回归，请参阅统计和机器学习工具箱。它能够进行逐步，稳健和多元回归： 产生预测 比较线性模型拟合 绘制残差 评估适合度 检测异常值 要创建适合数据曲线和曲面的线性模型，请参阅曲线拟合工具箱。要从测量的输入 – 输出数据创建动态系统的线性模型，请参阅系统识别工具箱。要从非线性Simulink模型创建控制系统设计的线性模型，请参见Simulink控制设计。 通用线性模型（GLM）是应用和社会研究中使用的大多数统计分析的基础。它是t检验，方差分析（ANOVA），协方差分析（ANCOVA），回归分析和许多多变量方法的基础，包括因子分析，聚类分析，多维比例，判别函数分析，规范相关，和别的。由于其普遍性，该模式对社会研究学生很重要。虽然对GLM的深刻理解需要进行一些高级统计培训，但我将在此尝试介绍概念并提供非统计学描述。
因子分析家庭作业帮助 为什么要用因子分析？ 因素分析是调查复杂概念（如社会经济状况，饮食习惯或心理量表）的可变关系的有用工具。 它允许研究人员调查不容易直接测量的概念，将大量变量压缩成几个可解释的潜在因素。 什么是因素？ 因子分析的关键概念是，多个观察变量具有相似的反应模式，因为它们都与潜在（即不直接测量的）变量相关联。 例如，人们可能会对收入，教育和职业方面的问题做出类似的回应，这些问题都与潜在的社会经济状况有变化。 在每个因素分析中，存在与变量相同数量的因素。每个因素在观察到的变量中捕获一定量的总体方差，并且这些因子总是按照它们解释多少变化的顺序列出。 特征值是一个因素解释观测变量的多少方差的量度。具有特征值≥1的任何因子解释比单个观测变量更多的方差。 因此，如果社会经济地位的因素的特征值为2.3，那么这三个变量的解释方式与2.3相同。这个因素可以用于其他分析。 解释最小方差量的因素通常被丢弃。决定保留有多少因素将成为另一个职位的主题。 什么是因素加载？ 每个变量与潜在因素的关系由所谓的因子负荷表示。下面是一个简单因子分析的输出的例子，其中包括财富指标，只有六个变量和两个因素。 与潜在潜在变量最强相关的变量。因子1是收入，因子加载量为0.65。 因为因素负荷可以被解释为标准化的回归系数，也可以说可变收入与因子1有相关性0.65。这将被认为是大多数研究领域的一个因素分析的强关联。 另外两个变量，教育和职业也与因素1相联系。根据因素1的变量，我们可以称之为“个人社会经济地位”。 因此，房屋价值，公园数量和每年的暴力犯罪数量在另外一个因素因素二因素二因素上。他们似乎表明了社区内的总体财富，所以我们可能想把因子2称为“邻里社会经济地位“。 请注意，变量房屋价值在因子1（负载= 0.38）也是重要的。这是有道理的，因为一个人的房子的价值应该与他或她的收入相关联。 什么是因素分析？
相关性家庭作业帮助 相关性是一个统计量度，表明两个或多个变量在一起波动的程度。正相关表明这些变量平行增加或减少的程度;负相关表示一个变量随着另一个变量的增加而增加的程度。 相关系数是对一个变量的值的变化预测改变为另一个的值的程度的统计量度。当一个变量的波动可靠地预测另一个变量的相似波动时，往往有一种倾向认为这意味着一个变量会导致另一个变量的变化。然而，相关性并不意味着因果关系。例如，可能会有类似的影响两个变量的未知因素。 这里有一个例子：一些研究报告说，电视儿童观看的数量与他们成为恶霸的可能性之间呈正相关。媒体报道通常引用这样的研究表明，观看很多电视会导致儿童成为恶霸。然而，研究只报告相关性，而不是因果关系。可能还有一些其他因素 – 如缺乏父母监督 – 可能是影响因素。 相关性是一种统计技术，可以显示变量对是否以及如何相关。例如，高度和重量是相关的;较高的人往往比较短的人重。关系并不完美。身高相同的人体重不同，你可以轻易地想到两个人，你知道哪个较短的人比较高的人重。然而，5’5“的平均体重小于5’6”的平均体重，平均体重小于5’7“的平均体重，相关性可以告诉你如何人民权力的很大变化与其高度有关。 虽然这种相关性相当明显，但您的数据可能包含未预期的相关性。你也可能怀疑有相关性，但不知道哪个是最强的。智能相关分析可以更好地了解您的数据。 确定相关性的技术 有几种不同的相关技术。调查系统的可选统计模块包括最常见的类型，称为Pearson或产品 – 时刻相关。该模块还包括称为部分相关的这种类型的变体。当您想要查看两个变量之间的关系同时删除一个或两个其他变量的影响时，后者是有用的。 像所有统计技术一样，相关性仅适用于某些类型的数据。相关性用于可量化数据，其中数字是有意义的，通常是某种数量的数量。它不能用于纯粹的分类数据，例如性别，购买的品牌或喜爱的颜色。 评分量表 评级量表是一个有争议的中间案例。评分量表中的数字有意义，但意思不是非常精确。他们不像数量。数量（如美元），1和2之间的差异与2到3之间是完全相同的。有了评级量表，情况并非如此。您可以确定受访者认为评级为2，评级为1，评级为3，但您无法确定他们认为是正确的中间。如果你标注了你的量表的中点（你不能认为“好”是“优秀”和“公平”之间的一半），这一点尤其如此。 大多数统计学家说你不能使用与评级量表的相关性，因为技术的数学假定数字之间的差异是完全相同的。然而，许多调查研究人员确实使用与评级量表的相关性，因为结果通常反映了现实世界。我们自己的立场是您可以使用与评级量表的相关性，但您应该小心谨慎。使用数量时，相关性可提供精确的测量。在使用评级量表时，相关性提供一般指示。 因果关系或因果关系是一个变量影响另一个变量的能力。第一个变量可能使第二个变量存在或可能导致第二个变量的发生波动。 因果关系经常与相关性混淆，这表明两个变量平行增加或减少的程度。然而，相关本身并不意味着因果关系。可能有第三个因素，例如，这是造成这两个变量的波动的原因。