本教程涵盖了回归分析的许多方面，包括:选择要使用的回归分析类型、指定模型、解释结果、确定模型的拟合程度、做出预测和检查假设。最后，我列举了不同类型的回归分析的例子。
为什么选择回归和良好回归分析的标志
在开始回归分析教程之前，有几个重要问题要回答。
我们为什么要选择回归？甚至专家涉及回归分析时的常见错误是什么？而且，您如何区分从不太严谨的回归分析中的良好回归分析？阅读这些帖子以了解：
- 致力于回归分析：看看为什么回归是我的最爱！当然，回归生成描述一个或多个预测变量与响应变量之间的关系的等式。但是，它比这更重要。
- 有关如何执行回归分析的四个提示避免了常见问题在本教程的所有阶段都要记住这些技巧，以确保得到高质量的回归分析。
- 样本大小的指导方针：这些指导方针有助于确保您有足够的力量来检测关系，并提供合理精确的估计该关系的力量。
教程:如何选择正确的回归分析类型
minitab.18luck新利手机版提供许多不同类型的回归分析。选择正确的类型取决于数据的特征，如下所示。
- 感谢回归菜单：使用美味的感恩节背景的回归选择！
- 线性或非线性回归：如何确定何时应该使用一个或另一个。
- 线性方程和非线性方程的区别是什么两种类型的方程都可以模拟曲率，那么它们之间的区别是什么?
教程：如何指定回归模型
选择正确的回归分析类型只是本回归教程的第一步。接下来，您需要指定模型。模型规范包括确定在模型中包含哪些预测变量，以及是否需要对曲率和预测变量之间的相互作用进行建模。
指定回归模型是一个迭代过程。此回归教程的解释和假设验证部分向您展示了如何确认您已正确指定模型以及如何根据结果调整模型。
- 如何选择最佳回归模型:一些常见的统计方法，你可能面临的并发症，并提供一些实用的建议。
- 逐步和最佳子集回归：Minitab提供两种自动工具，可帮助在模型建筑的探索性阶段识别有用的预测器。
- 用线性和非线性回归曲线配件有时你的数据并不遵循直线，你需要拟合曲线关系。
- 互动效应：使用番茄酱和酱油的交互。
- 过度装过模型:过于复杂的模型可能产生误导性的结果。学习过拟合模型以及如何检测和避免它们。
- 分层模型：我审查了适合，或不适合分层模型的理由。分层模型包含所有较低阶项，包括在模型中出现的高阶项。
- 标准化变量：在某些情况下，标准化回归模型中的变量可以揭示您可能会错过的统计上的重要结果。
- 你的R角可以太高的五个原因：如果指定错误的回归模型，或者使用错误的模型拟合过程，则R角可以太高。
教程:如何解释你的回归结果
所以，你选择了正确的回归类型并指定了模型。现在，您想解释结果。回归教程中的以下主题向您展示了如何解释结果并有效呈现它们：
- 回归系数和p值
- 回归常数(Y轴截距)
- 如何在统计上测试回归斜坡和常量之间的差异
- R角和良好的健康状况
- R-Squared应该有多高？
- 如何解释一个低r -平方的模型
- 调整后的r平方和预测的r平方
- s，回归的标准错误
- F-Test的总体意义
- 如何比较回归斜坡
- 提出您的回归结果，以避免昂贵的错误：研究表明，演示会影响解释错误的数量。
- 确定最重要的预测变量当你确定了一个模型后，通常会问:“哪个变量最重要?”
教程:如何使用回归进行预测
当您改变预测变量的值时，除了确定响应变量如何变化之外，回归的另一个关键好处是能够做出预测。在回归教程的这一部分中，我将介绍如何做到这一点。
- 如何用minitab预测：使用BMI预测体脂百分比的预测指南。
- 预测R角：此统计信息表示回归模型如何预测新观测的响应而不是仅仅是原始数据集。
- 预测区间：请参阅呈现预测间隔优于仅呈现回归方程和预测值的方式。
- 预测间隔与其他间隔的对比：我将预测间隔与置信度和公差间隔进行比较，因此您将知道何时使用每种类型的间隔。
教程:如何检查回归假设和修复问题
与任何统计测试一样，回归分析具有您应该满足的假设，或者结果可能无效。在回归分析中，检查假设的主要方式是评估残留图。本教程中的以下帖子向您展示了如何执行此操作并提供如何解决问题的建议。
- 剩余地块：他们应该看起来像什么原因，为什么他们可能不会！
- 正常残差有多重要如果你有一个足够大的样本，非正态残差可能不是问题。
- 多重共线性：高度相关的预测因子可能是一个问题，但并非总是！
- 异源性：您希望残差具有恒定的差异（同性化），但如果他们没有呢？
- Box-Cox转换：如果你无法解决潜在的问题，Cody Steele表明将问题变得多么容易！
不同类型的回归分析的例子
回归教程的最后一部分包含Minitab可以执行的不同类型回归分析的示例。许多这些回归示例包括数据集，因此您可以自己尝试它!
- Minitab中的线性模型特性
- 响应优化的多元回归:在Minitab助手突出功能。
- 正交回归：正交回归（A.K.A. DEMING回归）如何测试不同仪器的等价性。
- 偏最小二乘(PLS)回归:使用PLS成功分析一个非常小和高度多共线性的数据集。