3.1 多元线性回归模型 3.2 回归参数的估计 3.3 参数估计量的性质 3.4 回归方程的显著性检验 3.5 中心化和标准化 3.6 相关阵与偏相关系数

在许多实际问题中,常常会遇到要研究一个随机变量与多个变量之间的相关关系,例 如,某种产品的销售额不仅受到投入的广告费用的影响,通常还与产品的价格、消费者的 收入状况、社会保有量以及其它可替代产品的价格等诸多因素有关系研究这种一个随机 变量同其他多个变量之间的关系的主要方法是运用多元回归分析.多元线性回归分析是一 元线性回归分析的自然推广形式,两者在参数估计、显著性检验等方面非常相似.本节只 简单介绍多元线性回归的数学模型及其最小二乘估计

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的 个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数( discriminant function)o然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量( grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因”变量,有时可能倒是真正的“结 果”或“反应”变量。它们与类型变量的关系从本质上并没有越过相关的范畴。 不过,既然我们要参照其值来进行分组,权且称之为自变量

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的一个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数(discriminant function)然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量(grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因变量,有时可能倒是真正的“结 果”或“反应”变量

❖ 1、什么是因子分析？ ❖ 2、理解因子分析的基本思想 ❖ 3、因子分析的数学模型以及模型中公共因子、 因子载荷变量共同度的统计意义 ❖ 4、因子旋转的意义 ❖ 5、结合SPSS软件进行案例分析

回归分析是处理两个及两个以上变量间线性依存关系的统计方法。在医学领 域中，此类问题很普遍，如人头发中某种金属元素的含量与血液中该元素的含量 有关系，人的体表面积与身高、体重有关系；等等。回归分析就是用于说明这种依存变化的数学关系

第一数据的来源 数据的来源主要有两种渠道: 一种是通过直接的调查获得的原始数据,一般称之为第一手或直接的统 计数据; 另一种是别人调查的数据,并将这些数据进行加工和汇总后公布的数 据,通常称之为第二手或间接的统计数据

1. 理解方差分析的概念，了解方差分析的原理； 2. 掌握单因素试验的方差分析原理与方法； 3. 了解双因素无重复试验的方差分析方法； 4. 了解双因素等重复试验的方差分析方法

假设检验的基本问题 1、假设检验的基本原理 小概率事件原理 小概率思想是指小概率事件(P<0.01或 P<0.05等)在一次试验中基本上不会发生。 反证法思想是先提出假设(检验假设H),再 用适当的统计方法确定假设成立的可能性大 小,如可能性小,则认为假设不成立;反之, 则认为假设成立

项目研究内容和意义简介（限 400 字）：利用 1981 年至 2004 年长时间系列的 AVHRR 和 SPOT VEGETATION 遥感数据监测中国西北植被覆盖动态变化，利用小波变换方法分析其周期变化 规律，利用多元线性回归和地统计方法分析气象、地形和社会经济等驱动力因素与植被覆 盖变化之间的关系