多元分析方法

1. 以下不屬於常用的多元分析方法的是聚類分析方差分析因子分析判別分析

摘要 對於每個科研工作者而言，對實驗數據進行處理是在開始論文寫作之前十分常見的工作之一。但是，常見的數據分析方法有哪些呢？常用的數據分析方法有：聚類分析、因子分析、相關分析、對應分析、回歸分析、方差分析。

2. 多元階層回歸分析在spss中怎麼做

可使用spssau的分層回歸，操作簡單兩步出結果。

操作步驟：

1、選擇spssau的分層回歸。

同時生成標准表格結果及智能文字分析，不會統計學也可以看懂。

3. 多元統計分析方法的作用是什麼

多元統計分析方法的作用使實際工作者利用多元統計分析方法解決實際問題更簡單方便。

如果每個個體有多個觀測數據，或者從數學上說，如果個體的觀測數據能表為P維歐幾里得空間的點，那麼這樣的數據叫做多元數據，而分析多元數據的統計方法就叫做多元統計分析，它是數理統計學中的一個重要的分支學科。

典型相關分析

它是尋求兩組變數各自的線性函數中相關系數達到最大值的一對，這稱為第一對典型變數，還可以求第二對，第三對，等等，這些成對的變數，彼此是不相關的。各對的相關系數稱為典型相關系數。通過這些典型變數所代表的實際含意，可以找到這兩組變數間的一些內在聯系。典型相關分析雖然30年代已經出現，但至今未能廣泛應用。

4. 幾種綜合評價方法

摘要 您好，常用的綜合評價方法：1.現有的統計方法:主要為多元統計方法，如多元回歸、逐步回歸分析、判別分析、因子分析、時間序列分析

5. 2 應用多元統計分析主要包括哪些分析方法

控制圖，用來對過程狀態進行監控，並可度量、診斷和改進過程狀態。
直方圖，是以一組無間隔的直條圖表現頻數分布特徵的統計圖，能夠直觀地顯示出數據的分布情況。
排列圖，又叫帕累托圖，它是將各個項目產生的影響從最主要到最次要的順序進行排列的一種工具。可用其區分影響產品質量的主要、次要、一般問題，找出影響產品質量的主要因素，識別進行質量改進的機會。
散布圖，以點的分布反映變數之間相關情況，是用來發現和顯示兩組數據之間相關關系的類型和程度，或確認其預期關系的一種示圖工具。
過程能力指數（Cpk），分析工序能力滿足質量標准、工藝規范的程度。
頻數分析，形成觀測量中變數不同水平的分布情況表。
描述統計量分析，如平均值、最大值、最小值、范圍、方差等，了解過程的一些總體特徵。
相關分析，研究變數之間關系的密切程度，並且假設變數都是隨機變動的，不分主次，處於同等地位。
回歸分析，分析變數之間的相互關系。
當然，在質量管理中，還有很多常用的統計分析方法，在此不一一列舉。
（盈飛無限）

6. 多元統計分析的簡介

multivariate statistical analysis
研究客觀事物中多個變數（或多個因素）之間相互依賴的統計規律性。它的重要基礎之一是多元正態分析。又稱多元分析 。 如果每個個體有多個觀測數據，或者從數學上說， 如果個體的觀測數據能表為 P維歐幾里得空間的點，那麼這樣的數據叫做多元數據，而分析多元數據的統計方法就叫做多元統計分析 。 它是數理統計學中的一個重要的分支學科。20世紀30年代，R.A.費希爾，H.霍特林，許寶碌以及S.N.羅伊等人作出了一系列奠基性的工作，使多元統計分析在理論上得到迅速發展。50年代中期，隨著電子計算機的發展和普及 ，多元統計分析在地質 、氣象、生物、醫學、圖像處理、經濟分析等許多領域得到了廣泛的應用 ，同時也促進了理論的發展。各種統計軟體包如SAS，SPSS等，使實際工作者利用多元統計分析方法解決實際問題更簡單方便。重要的多元統計分析方法有：多重回歸分析（簡稱回歸分析）、判別分析、聚類分析、主成分分析、對應分析、因子分析、典型相關分析、多元方差分析等。
早在19世紀就出現了處理二維正態總體（見正態分布）的一些方法，但系統地處理多維概率分布總體的統計分析問題，則開始於20世紀。人們常把1928年維夏特分布的導出作為多元分析成為一個獨立學科的標志。20世紀30年代，R.A.費希爾、H.霍特林、許寶祿以及S.N.羅伊等人作出了一系列奠基性的工作，使多元統計分析在理論上得到了迅速的進展。40年代，多元分析在心理、教育、生物等方面獲得了一些應用。由於應用時常需要大量的計算，加上第二次世界大戰的影響，使其發展停滯了相當長的時間。50年代中期，隨著電子計算機的發展和普及，它在地質、氣象、標准化、生物、圖像處理、經濟分析等許多領域得到了廣泛的應用，也促進了理論的發展。
多元分析發展的初期，主要討論如何把一元正態總體的統計理論和方法推廣到多元正態總體。多元正態總體的分布由兩組參數，即均值向量μ（見數學期望）和協方差矩陣（簡稱協差陣）∑ （見矩）所決定，記為Np(μ,∑)(p為分布的維數,故又稱p維正態分布或p 維正態總體)。設X1,X2,…,Xn為來自正態總體Np(μ,∑)的樣本，則μ和∑的無偏估計（見點估計）分別是
和
分別稱之為樣本均值向量和樣本協差陣，它們是在各種多元分析問題中常用的統計量。樣本相關陣R 也是一個重要的統計量，它的元素為
其中υij為樣本協差陣S的元素。S的分布是維夏特分布，它是一元統計中的Ⅹ2分布的推廣。
另一典型問題是：假定兩個多維正態分布協差陣相同,檢驗其均值向量是否相同。設樣本X1，X2，…，Xn抽自正態總體Np（μ1，∑）,而Y1，Y2，…，Ym抽自Np（μ2，∑），要檢驗假設H 0:μ1=μ2(見假設檢驗)。在一元統計中使用t統計量（見統計量）作檢驗;在多元分析中則用T2統計量,
,其中,
,
·
,T2的分布稱為T2分布。這是H.霍特林在1936年提出來的。
在上述問題中的多元與一元相應的統計量是類似的，但並非都是如此。例如,要檢驗k個正態總體的均值是否相等，在一元統計中是導致F統計量,但在多元分析中可導出許多統計量，最著名的有威爾克斯Λ統計量和最大相對特徵根統計量。研究這些統計量的精確分布和優良性是近幾十年來多元統計分析的重要理論課題。
多元統計分析有狹義與廣義之分，當假定總體分布是多元正態分布時，稱為狹義的，否則稱為廣義的。近年來，狹義多元分析的許多內容已被推廣到更廣的分布之中，特別是推廣到一種稱為橢球等高分布族之中。
按多元分析所處理的實際問題的性質分類，重要的有如下幾種。 簡稱回歸分析。其特點是同時處理多個因變數。回歸系數和常數的計算公式與通常的情況相仿，只是由於因變數不止一個，原來的每個回歸系數在此都成為一個向量。因此，關於回歸系數的檢驗要用T2統計量；對回歸方程的顯著性檢驗要用Λ統計量。
回歸分析在地質勘探的應用中發展了一種特殊的形式，稱為趨勢面分析，它以各種元素的含量作為因變數，把它們對地理坐標進行回歸（選用一次、二次或高次的多項式）,回歸方程稱為趨勢面,反映了含量的趨勢。殘差分析是趨勢面分析的重點，找出正的殘差異常大的點，在這些點附近，元素的含量特別高，這就有可能形成可採的礦位。這一方法在其他領域也有應用。 由 k個不同總體的樣本來構造判別函數，利用它來決定新的未知類別的樣品屬於哪一類，這是判別分析所處理的問題。它在醫療診斷、天氣預報、圖像識別等方面有廣泛的應用。例如，為了判斷某人是否有心臟病，從健康的人和有心臟病的人這兩個總體中分別抽取樣本，對每人各測兩個指標X1和X2，點繪如圖 。可用直線A將平面分成g1和g2兩部分，落在g1的絕大部分為健康者，落在g2的絕大部分為心臟病人,利用A的垂線方向l=(l1,l2)來建立判別函數
y=l1X1+l2X2,可以求得一常數с，使 y<с 等價於（X1，X2）落在g1，y>с等價於（X1，X2）落在g2。由此得判別規則：若，l1X1+l2X2<c
判,即此人為健康者;若，l1X1+l2X2>C
判，
即此人為心臟病人;若，l1X1+l2X2=c則為待判。此例的判別函數是線性函數,它簡單方便,在實際問題中經常使用。但有時也用非線性判別函數，特別是二次判別函數。建立判別函數和判別規則有不少准則和方法，常用的有貝葉斯准則、費希爾准則、距離判別、回歸方法和非參數方法等。
無論用哪一種准則或方法所建立的判別函數和判別規則，都可能產生錯判，錯判所佔的比率用錯判概率來度量。當總體間區別明顯時，錯判概率較小；否則錯判概率較大。判別函數的選擇直接影響到錯判概率，故錯判概率可用來比較不同方法的優劣。
變數（如上例中的X1和X2）選擇的好壞是使用判別分析的最重要的問題，常用逐步判別的方法來篩選出一些確有判別作用的變數。利用序貫分析的思想又產生了序貫判別分析。例如醫生在診斷時,先確定是否有病,然後確定是哪個系統有病，再確定是什麼性質的病等等。 又稱數值分類。聚類分析和判別分析的區別在於，判別分析是已知有多少類和樣本來自哪一類，需要判別新抽取的樣本是來自哪一類；而聚類分析則既不知有幾類,也不知樣本中每一個來自哪一類。例如,為了制定服裝標准，對 N個成年人，測量每人的身高(x1)、胸圍(x2)、肩寬(x3)、上體長(x4)、手臂長(x5)、前胸(x6)、後背(x7)、腰圍(x8)、臀圍(x9)、下體長(x10)等部位，要將這N個人進行分類,每一類代表一個號型；為了使用和裁剪的方便，還要對這些變數(x1,x2,…,x10)進行分類。聚類分析就是解決上述兩種分類問題。
設已知N個觀測值X1,X2,…,Xn,每個觀測值是一個p維向量（如上例中人的身高、胸圍等）。聚類分析的思想是將每個觀測值Xi看成p維空間的一個點,在p維空間中引入「距離」的概念，則可按各點間距離的遠近將各點（觀測值）歸類。若要對 p個變數（即指標）進行分類，常定義一種「相似系數」來衡量變數之間的親密程度，按各變數之間相似系數的大小可將變數進行分類。根據實際問題的需要和變數的類型，對距離和相似系數有不同的定義方法。
按距離或相似系數分類,有下列方法。①凝聚法:它是先將每個觀察值{Xi}看成一類，逐步歸並，直至全部觀測值並成一類為止，然後將上述並類過程畫成一聚類圖（或稱譜系圖），利用這個圖可方便地得到分類。②分解法：它是先將全部觀測值看成一類，然後逐步將它們分解為2類、3類、…、N類,它是凝聚法的逆過程。③動態聚類法：它是將觀測值先粗糙地分類，然後按適當的目標函數和規定的程序逐步調整，直至不能再調為止。
若觀察值X1,X2,…,Xn之間的次序在分類時不允許打亂，則稱為有序分類。例如在地質學中將地層進行分類，只能將互相鄰接的地層分成一類，不能打亂上下的次序。用於這一類問題中的重要方法是費希爾於1958年提出的最優分割法。
聚類分析也能用於預報洪水、暴雨、地震等災害性問題，其效果比其他統計方法好。但它在理論上還很薄弱，因為它不象其他方法那樣有確切的數學模型。 又稱主分量分析，是將多個變數通過線性變換以選出較少個數重要變數的一種方法。設原來有p個變數x1,x2,…,xp,為了簡化問題，選一個新變數z，
,
要求z盡可能多地反映p個變數的信息，以此來選擇l1,l2,…,lp,當l1,l2,…,lp選定後,稱z為x1,x2,…,xp的主成分（或主分量）。有時僅一個主成分不足以代表原來的p個變數，可用q(<p)個互不相關的呈上述形式的主成分來盡可能多地反映原p個變數的信息。用來決定諸系數的原則是，在
的約束下，選擇l1,l2,…,lp使z的方差達到最大。
在根據樣本進行主成分分析時又可分為R型分析與Q型分析。前者是用樣本協差陣（或相關陣）的特徵向量作為線性函數的系數來求主成分；後者是由樣品之間的內積組成的內積陣來進行類似的處理，其目的是尋找出有代表性的「典型」樣品，這種方法在地質結構的分析中常使用。 它是由樣本的資料將一組變數
y2，……yp）
分解為一些公共因子f與特殊因子s的線性組合,即有常數矩陣A使у=Af+s。公共因子f 的客觀內容有時是明確的,如在心理研究中,根據學生的測驗成績（指標）來分析他的反應快慢、理解深淺（公共因子）；有時則是不明確的。為了尋求易於解釋的公共因子，往往對因子軸進行旋轉，旋轉的方法有正交旋轉,斜旋轉,極大變差旋轉等。
從樣本協差陣或相關陣求公共因子的方法有廣義最小二乘法、最大似然法與不加權的最小二乘法等。通常在應用中，最方便的是直接利用主成分分析所得的頭幾個主成分，它們往往是對各個指標影響都比較大的公共因子。 它是尋求兩組變數各自的線性函數中相關系數達到最大值的一對，這稱為第一對典型變數，還可以求第二對，第三對，等等，這些成對的變數，彼此是不相關的。各對的相關系數稱為典型相關系數。通過這些典型變數所代表的實際含意，可以找到這兩組變數間的一些內在聯系。典型相關分析雖然30年代已經出現，但至今未能廣泛應用。
上述的各種方法可以看成廣義多元分析的內容，在有些方法中，如加上正態性的假定，就可以討論一些更深入的問題，例如線性模型中有關線性假設檢驗的問題，在正態的假定下，就有比較系統的結果。 多元分析也可按指標是離散的還是連續的來區分，離散值的多元分析實質上與列聯表分析有很大部分是類似的，甚至是一樣的。
非數量指標數量化的理論和方法也是廣義多元分析的一個重要的研究課題。

7. 多元分析的分析方法

包括3類:①多元方差分析、多元回歸分析和協方差分析，稱為線性模型方法，用以研究確定的自變數與因變數之間的關系；②判別函數分析和聚類分析,用以研究對事物的分類；③主成分分析、典型相關和因素分析，研究如何用較少的綜合因素代替為數較多的原始變數。 是把總變異按照其來源（或實驗設計）分為多個部分，從而檢驗各個因素對因變數的影響以及各因素間交互作用的統計方法。例如，在分析2×2析因設計資料時，總變異可分為分屬兩個因素的兩個組間變異、兩因素間的交互作用及誤差（即組內變異）等四部分,然後對組間變異和交互作用的顯著性進行F檢驗。
優點
是可以在一次研究中同時檢驗具有多個水平的多個因素各自對因變數的影響以及各因素間的交互作用。其應用的限制條件是，各個因素每一水平的樣本必須是獨立的隨機樣本，其重復觀測的數據服從正態分布，且各總體方差相等。 用以評估和分析一個因變數與多個自變數之間線性函數關系的統計方法。一個因變數y與自變數x1、x2、…xm有線性回歸關系是指：
其中α、β1…βm是待估參數，ε是表示誤差的隨機變數。通過實驗可獲得x1、x2…xm的若干組數據以及對應的y值，利用這些數據和最小二乘法就能對方程中的參數作出估計，記為╋、勮…叧，它們稱為偏回歸系數。
優點
是可以定量地描述某一現象和某些因素間的線性函數關系。將各變數的已知值代入回歸方程便可求得因變數的估計值（預測值），從而可以有效地預測某種現象的發生和發展。它既可以用於連續變數，也可用於二分變數（0，1回歸）。多元回歸的應用有嚴格的限制。首先要用方差分析法檢驗因變數y與m個自變數之間的線性回歸關系有無顯著性，其次，如果y與m個自變數總的來說有線性關系，也並不意味著所有自變數都與因變數有線性關系，還需對每個自變數的偏回歸系數進行t檢驗,以剔除在方程中不起作用的自變數。也可以用逐步回歸的方法建立回歸方程，逐步選取自變數，從而保證引入方程的自變數都是重要的。 把線性回歸與方差分析結合起來檢驗多個修正均數間有無差別的統計方法。例如，一個實驗包含兩個多元自變數，一個是離散變數(具有多個水平)，一個是連續變數，實驗目的是分析離散變數的各個水平的優劣，此變數是方差變數；而連續變數是由於無法加以控制而進入實驗的，稱為協變數。在運用協方差分析時，可先求出該連續變數與因變數的線性回歸函數，然後根據這個函數扣除該變數的影響，即求出該連續變數取等值情況時因變數的修正均數，最後用方差分析檢驗各修正均數間的差異顯著性，即檢驗離散變數對因變數的影響。
優點
可以在考慮連續變數影響的條件下檢驗離散變數對因變數的影響，有助於排除非實驗因素的干擾作用。其限制條件是，理論上要求各組資料（樣本）都來自方差相同的正態總體,各組的總體直線回歸系數相等且都不為0。因此應用協方差分析前應先進行方差齊性檢驗和回歸系數的假設檢驗，若符合或經變換後符合上述條件，方可作協方差分析。 判定個體所屬類別的統計方法。其基本原理是：根據兩個或多個已知類別的樣本觀測資料確定一個或幾個線性判別函數和判別指標，然後用該判別函數依據判別指標來判定另一個個體屬於哪一類。
判別分析不僅用於連續變數，而且藉助於數量化理論亦可用於定性資料。它有助於客觀地確定歸類標准。然而，判別分析僅可用於類別已確定的情況。當類別本身未定時，預用聚類分析先分出類別，然後再進行判別分析。 解決分類問題的一種統計方法。若給定n個觀測對象，每個觀察對象有p個特徵（變數），如何將它們聚成若干可定義的類?若對觀測對象進行聚類,稱為Q型分析;若對變數進行聚類,稱為R型分析。聚類的基本原則是,使同類的內部差別較小,而類別間的差別較大。最常用的聚類方案有兩種。一種是系統聚類方法。例如，要將n個對象分為k類,先將n個對象各自分成一類,共n類。然後計算兩兩之間的某種「距離」，找出距離最近的兩個類、合並為一個新類。然後逐步重復這一過程，直到並為k類為止。另一種為逐步聚類或稱動態聚類方法。當樣本數很大時，先將n個樣本大致分為k類，然後按照某種最優原則逐步修改，直到分類比較合理為止。
聚類分析是依據個體或變數的數量關系來分類，客觀性較強，但各種聚類方法都只能在某種條件下達到局部最優,聚類的最終結果是否成立,尚需專家的鑒定。必要時可以比較幾種不同的方法，選擇一種比較符合專業要求的分類結果。 把原來多個指標化為少數幾個互不相關的綜合指標的一種統計方法。例如,用p個指標觀測樣本,如何從這p個指標的數據出發分析樣本或總體的主要性質呢？如果p個指標互不相關，則可把問題化為p個單指標來處理。但大多時候p個指標之間存在著相關。此時可運用主成分分析尋求這些指標的互不相關的線性函數，使原有的多個指標的變化能由這些線性函數的變化來解釋。這些線性函數稱為原有指標的主成分，或稱主分量。
主成分分析有助於分辨出影響因變數的主要因素，也可應用於其他多元分析方法，例如在分辨出主成分之後再對這些主成分進行回歸分析、判別分析和典型相關分析。主成分分析還可以作為因素分析的第一步，向前推進就是因素分析。其缺點是只涉及一組變數之間的相互依賴關系，若要討論兩組變數之間的相互關系則須運用典型相關。 先將較多變數轉化為少數幾個典型變數，再通過其間的典型相關系數來綜合描述兩組多元隨機變數之間關系的統計方法。設x是p元隨機變數,y是q元隨機變數，如何描述它們之間的相關程度?當然可逐一計算x的p個分量和y的q個分量之間的相關系數(p×q個)， 但這樣既繁瑣又不能反映事物的本質。如果運用典型相關分析，其基本程序是，從兩組變數各自的線性函數中各抽取一個組成一對，它們應是相關系數達到最大值的一對，稱為第1對典型變數,類似地還可以求出第2對、第3對、……,這些成對變數之間互不相關,各對典型變數的相關系數稱為典型相關系數。所得到的典型相關系數的數目不超過原兩組變數中任何一組變數的數目。
典型相關分析有助於綜合地描述兩組變數之間的典型的相關關系。其條件是,兩組變數都是連續變數,其資料都必須服從多元正態分布。
以上幾種多元分析方法各有優點和局限性。每一種方法都有它特定的假設、條件和數據要求，例如正態性、線性和同方差等。因此在應用多元分析方法時，應在研究計劃階段確定理論框架，以決定收集何種數據、怎樣收集和如何分析數據資料。

8. 多元統計分析法主要包括

多元統計分析方法主要包括線性回歸分析方法、判別分析方法、聚類分析方法、主成份分析方法、因子分析方法、對應分析方法、典型相關分析方法以及片最小二乘回歸分析方法等。

《多元統計分析方法》是2009年上海格致出版社出版的圖書，作者是（德）巴克豪斯。本書主要講解了多元統計分析中最常見的九種方法。

簡介

多元統計分析是從經典統計學中發展起來的一個分支，是一種綜合分析方法，它能夠在多個對象和多個指標互相關聯的情況下分析它們的統計規律，很適合農業科學研究的特點。主要內容包括多元正態分布及其抽樣分布、多元正態總體的均值向量和協方差陣的假設檢驗。

多元方差分析、直線回歸與相關、多元線性回歸與相關(Ⅰ)和(Ⅱ)、主成分分析與因子分析、判別分析與聚類分析、Shannon信息量及其應用。簡稱多元分析。當總體的分布是多維（多元）概率分布時，處理該總體的數理統計理論和方法。數理統計學中的一個重要的分支學科。

9. 簡述多元線性回歸分析的步驟是什麼

在回歸分析中，如果有兩個或兩個以上的自變數，就稱為多元回歸。事實上，一種現象常常是與多個因素相聯系的，由多個自變數的最優組合共同來預測或估計因變數，比只用一個自變數進行預測或估計更有效，更符合實際。因此多元線性回歸比一元線性回歸的實用意義更大。

1、普通最小二乘法(Ordinary Least Square, OLS)

普通最小二乘法通過最小化誤差的平方和尋找最佳函數。

多元線性回歸

其中，Ω是殘差項的協方差矩陣。

10. 多元判別分析法

研究多個自變數與因變數相互關系的一組統計理論和方法.又稱多變數分析.多元分析是單變數統計方法的發展和推廣.人的心理和行為具有復雜的內在結構,受到多種因素的制約.僅採用單變數分析難以揭示其內在結構以及各種影響因素的主次作用和交互影響.