盘点10大回归类型：总有一款深得你心(2)

在概率统计理论中，假设这是一组独立同分布的随机变量，且以下是要研究的数据：

约翰•图基(John Tukey)在1949年提出的观点(即“大折刀法”)是对一个样本做大量的研究，排除一个观察结果(并返回之前被排除的结果)。下面列出了从原始数据中获得的样本：

每一项都有n个新样本，样本容量为n-1，且都可用来计算计量经济学感兴趣的统计数据的价值(样本容量减1)：

通过获得的统计值，可了解其分布和分布的特征，如期望、中值、分位数、散点和均方差。

那么，该使用哪一种回归?

• 如果模型需要连续的因变量：线性回归是最常见和最直接的使用类型。如果有一个连续的因变量，可能要首先考虑线性回归模型。然而，要注意线性回归的几个缺点，如对异常值和多重共线性很敏感。在这种情况下，最好使用更高级的线性回归变体，如岭回归、套索回归和偏最小二乘法回归(PLS)。
• 如果模型需要分类因变量：应使用逻辑回归。这种模型最适合二元因变量。在进行更复杂的分类建模之前，最好先使用这种模型。分类变量的有些值可以根据特征放入可计数的不同组中。逻辑回归对因变量进行变换，然后使用最大似然估计法而非最小二乘法来估计参数。
• 如果模型需要计数因变量：应使用泊松回归。计数数据往往遵循泊松分布，因此泊松回归很适合。使用泊松变量可以计算和评估发生率。

（编辑：ASP站长网）