10.1 虚拟变量的性质 10.2 ANCOVA模型：包含一个定量变量，一个两分定性变量的回归 10.3 包含一个定量变量、一个多分定性变量的回归 10.4 包含一个定量变量和多个定性变量的回归 10.5 比较两个回归 10.6 虚拟变量在季节分析中的应用 10.7 因变量也是虚拟变量的情形：(略) 10.8 总结

元线性回归分析估计两个变量的关 系 其中一个变量作为响应变量或输出变量 (y)o 另一个变量作为预测变量或解释变量 有时两个变量中哪一个是响应变量(例 如高度和重量)是不好区分的。在这种 情况下,可能会使用相关分析

（1)对两变量间的相关度的分析的统计技术称为 二元变量技术。若涉及两个以上的变量,采用 的统计技术叫多元变量技术。 （ 2)分析两个变量之间的相关度时,两个变量分 别被定义为自变量和因变量。自变量是指那些 可以影响因变量结果的变量。例如,价格、广 告费或零售点的数量等自变量常用于预测或解 释一个品牌的销售量或市场份额(因变量)

9.1虚拟变量的性质 一、回归分析中,被解释变量不仅常受一些比率尺度变量(如收入、产量、价格、成本、高度和温度)的影响,而且还受定性性质变量(也被称为名义尺度变量,如性别、种族、肤色、宗教、国籍、战争)的影响。 二、为了在模型中能够反映这些定性性质变量的影响,并提高模型的精度,需要将它们量化

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

一、虚拟变量 二、虚拟解释变量的回归 三、虚拟被解释变量的回归(选讲,不包括)

多元线性回归( multiple linear regression)是分析一个随机变量与多个变量 之间线性关系的最常用的统计方法。实际工作中,常常希望知道所关心的事物受 哪些因素的影响,比如销售量与价格和广告费的关系,农业产量与原料和气候的 关系,生育水平与教育水平和经济水平的关系,物价和失业率的关系,收入与受 教育程度和年龄的关系等等。多元线性回归用变量的观察数据拟合所关注的变量 和影响它变化的变量之间的线性关系式,检验影响变量的显著程度和比较它们的 作用大小,进而用两个或多个变量的变化解释和预测另一个变量的变化 回归这一名词起源于19世纪生物学家F.高尔顿进行的遗传学研究,他在研 究子女身高与父母身高之间关系时发现

多元线性回归(multiple linear regression)是分析一个随机变量与多个变量 之间线性关系的最常用的统计方法。实际工作中,常常希望知道所关心的事物受 哪些因素的影响,比如销售量与价格和广告费的关系,农业产量与原料和气候的 关系,生育水平与教育水平和经济水平的关系,物价和失业率的关系,收入与受 教育程度和年龄的关系等等。多元线性回归用变量的观察数据拟合所关注的变量 和影响它变化的变量之间的线性关系式,检验影响变量的显著程度和比较它们的 作用大小,进而用两个或多个变量的变化解释和预测另一个变量的变化

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

9.1 自变量中含有定性变量的回归模型 9.2 自变量定性变量回归模型的应用 9.3 因变量是定性变量的回归模型 9.4 Logistic(逻辑斯蒂)回归 9.5 多类别Logistic回归 9.6 因变量是顺序变量的回归 9.7 本章小结与评注