1. DESCRIPTION Statistiques

Description Les statistiques sont un résumé d'une classe de méthodes statistiques, divulgation de caractéristiques de la distribution de données. Il s'agit principalement d'une analyse de fréquence de données, d'une analyse de tendance concentrée, d'une analyse d'analyse des données, d'une distribution de données et de certains graphismes statistiques de base.
1. Manque d'absence de valeur: les méthodes communes sont exclues, la méthode moyenne, la méthode d'arborescence décisive.

2. Inspection normale: de nombreuses méthodes d'exigences statistiques nécessitent un service numérique ou approximatif de suivre la distribution normale, alors demandez une inspection normale avant d'analyser des données. Méthodes générales: Vérifiez le nombre K, P-P, Q-Q-Q, W Méthodes de test et de déplacement.

II. Analyse de retour
L'analyse de la régression est l'une des méthodes d'analyse de données extrêmement importantes. Il repose sur des dépendances appropriées entre les variables, pour analyser les lois internes des données.

1. Analyse linéaire à sens unique

Seule une variable X indépendante est liée à la variable Y, X et Y doivent être une variable continue et une distribution normale doit être obéi en raison de son apport ou de son équilibre.

2. Analyse de la régression multi-linéaire

Conditions d'utilisation: Analyse de la relation entre de nombreux arguments X et en raison de variables, X et Y doivent être une variables continues et une distribution normale doit suivre sa variable ou son excès.

3. Analyse de régression logistique

Le modèle de régression linéaire nécessite des variables de distribution communes en permanence due à des variables et des variables et que les variables sont des relations avec des modèles de régression générale et logistique ne doivent pas nécessairement distribuer des variables et sont souvent utilisés pour discrètes en raison de variables.

4. Autres méthodes de régression

Régression de la famille, régression des commandes, Société de régression, régression de poids et régression similaire.
III. Analyse facile

Conditions d'utilisation: Chaque échantillon doit être indépendant des échantillons aléatoires; tous les poissonsC Les échantillons sont tous de la distribution normale; Les partis communs sont égaux.

1. Analyse unique d'élément: une expérience n'a qu'un facteur influent ou lorsqu'il existe de nombreux facteurs d'influence, une seule facteur et une variable de retour d'information sont analysées.

2. De nombreux facteurs d'analyse de variance interactive: De nombreuses expériences ont un facteur influent, analysant la relation entre de nombreux facteurs affectant et des réactions variables et compte tenu des relations de termites entre de nombreux facteurs influents

. 3. Analyse de la variance sans interaction multi-fonction: analyse de nombreux facteurs affectant et répondant à la relation entre les variables, mais non disponible Impact entre les relations ou ignorer la relation d'impact

4. Prier le cuivre différentiel: Analyse La variance traditionnelle avec des inconvénients clairs ne peut pas contrôler une existence aléatoire dans le facteur d'analyse diminue l'exactitude des résultats analytiques. Analyse des fausses équations principalement pour analyser l'analyse du signalLa principale application a été corrigée après avoir exclu la coexistence de la coexistence et une méthode de combinaison de la régression linéaire et de l'analyse de la variance.

1. Vérifiez les paramètres


Vérifiez que les paramètres de contrôle sont ceux qui distinguent que le total peut être connu. (Distribution de la distribution globale) Pour certains paramètres importants (tels que la moyenne, le pourcentage, la variance, les coefficients de corrélation, etc.).

2. Vérifiez le paramètre

Aucun test de paramètre ne compte pas si la distribution globale est connue ou non, généralement pas pour les paramètres globaux, mais des tests de certaines hypothèses générales (donc Lorsque la distribution globale est la même, la distribution globale est normale) ou non).

Situation applicable: données de données séquentielles, distribuant que les données ne sont généralement pas connues.

1) Bien que cela soit une donnée continue, la distribution globale est inconnue ou inhabituelle;

2) Bien que la distribution globale soit normale, les données sont également un type continu, mais la capacité d'échantillonnage est extrêmement faible, comme les 10 choses suivantes; La méthode principale comprend: la vérification d'une carte carrée, la vérification de la note totale, deux chèques, des contrôles de voyage, la vérification du nombre de K, V.V.

V. Analyse de corrélation

L'analyse de corrélation est la relation entre l'inconnu et possède une certaine dépendance entre phénomènes de recherche. Et pour discuter de la direction de niveau de corrélation et de corrélation.

1. Corrélation unique: la corrélation entre les deux facteurs est appelée une seule corrélation, ce qui signifie qu'une variable indépendante et une variable due à;

2. Réparation: trois facteurs liés ou plus appelés corrélation, ce qui signifie deux variables indépendantes ou plus relatives aux variables liées aux variables;

3. Corrélation partielle: un phénomène implique de nombreux phénomènes et lorsque d'autres variables ne changent pas, les étapesn entre les deux relations s'appelle biaisée.

6. Analyse du cluster

Cluster est un processus de classification des données à différentes classes ou grappes, de sorte que le même groupe de similitudes importantes, tandis que les objets entre différentes clusters ont beaucoup de différences. L'analyse de grappes est une analyse d'exploration. Au cours du processus de classification, les personnes ne doivent pas nécessairement fournir des normes de classification et d'analyse de cluster qui peuvent automatiquement classer des données d'échantillonnage.

1) Droit du cluster de système: des grappes d'échantillons ou des grappes de petits échantillons, utilisant souvent des grappes de système à des indicateurs de grappes, également appelés clusters de classe.

2) Grâce à des clusters progressivement: Applications de groupe d'échantillons pour les grands échantillons.

3) Autres clusters: cluster en deux étapes, grappes de moyenne, V.V.

L'analyse de la discrimination est une technologie de technologie de distinction technologique et de technologie de package, un groupe de groupes de certains modèles de variables et connaître des informations sur les variables multivariées KCorrespondant à identifier des groupes pour identifier des échantillons appartenant à d'autres informations variables multivariées.

Analyse distinctive Analyse et analyse de grappes:

1. L'analyse de grappes peut classifier des échantillons ou des indicateurs de tri; et discrimination que vous pouvez classer des échantillons;

2. L'analyse des grappes ne sait pas tout, ni la connaissance de certains types; Et la discrimination doit connaître la catégorie avant les choses précédentes et connaître quelques types

3. L'analyse de la grappe ne nécessite pas l'historique de classification et les échantillons classés directement; et analyser la discrimination des exigences d'historique de la classification pour définir la fonction de discrimination, puis l'échantillon peut être classé.

huit. Facteur d'analyse

Analyse du facteur mentionnant la recherche provenant d'une technique statistique extraction d'un élément commun d'un groupe variable, d'un grand nombre de liaisons internes à des données, réduite difficile. Il y a plus de 10 méthodes d'analyse facteur, telles que le poidsForce, analyse d'image, capacité maximale, méthode carrée minimale, Alfa min, Rio typique, V.V.

Ces méthodes sont essentiellement approchées par des méthodes approximatives, en fonction de la matrice de coefficient de corrélation. Dans les études sociales, les facteurs d'analyse sont souvent utilisés dans une méthode de répétition basée sur l'analyse principale des composants.

Neuf. L'analyse principale des composants
Convertissez un groupe de variables pouvant avoir une corrélation avec un ensemble linéaire de conversion orthogonale, convertissant cette variable pour appeler son composant principal. La taille réduite, la cartographie n-divique en k-dimensionnement ( K & LT; N), K-Dimension est une nouvelle fonctionnalité orthogique. Ce k est appelé le facteur principal, qui est le type K reconstruit, au lieu de simplement supprimer les vrateurs NK restants de N-VI.

Par rapport à l'analyse factorielle:

peut être utilisé pour analyser le rôle de nombreuses variables d'origine; Différent: CitadelleAnalyse principale des informations sur les matériaux d'intégration des paramètres.L'analyse factorielle est axée sur l'explication de la relation entre la variable initiale.