| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 引言 | 第10-13页 |
| 1 应用对策理论建立线性回归模型中自变量相对重要性估计方法 | 第13-21页 |
| 1.1 多元线性回归模型 | 第13页 |
| 1.2 对策理论引入 | 第13-14页 |
| 1.3 自变量序列重要性偏 R2值计算 | 第14-15页 |
| 1.4 基于对策理论的自变量相对重要性的估计 | 第15-16页 |
| 1.5 实例分析 | 第16-19页 |
| 1.5.1 影响血红蛋白的因素的相关矩阵和回归分析结果 | 第16-17页 |
| 1.5.2 影响血红蛋白的自变量序列重要性偏 R2值 | 第17-18页 |
| 1.5.3 Shapley 值的自变量相对重要性估计 | 第18页 |
| 1.5.4 结果分析 | 第18-19页 |
| 1.6 讨论 | 第19-21页 |
| 2 多重共线性条件下线性回归模型中自变量相对重要性估计有偏估计的探索研究 | 第21-46页 |
| 2.1 多重共线性的情形及处理 | 第21-23页 |
| 2.2 偏最小二乘回归（Partial Least Square Regression,简称 PLS） | 第23-26页 |
| 2.2.1 偏最小二乘原理[30] | 第23-24页 |
| 2.2.2 偏最小二乘回归中潜在变量个数的提取—交叉验证 | 第24-26页 |
| 2.2.3 偏最小二乘回归中自变量的筛选法[31] | 第26页 |
| 2.3 偏最小二乘回归模型中自变量相对重要性的实例分析 | 第26-27页 |
| 2.4 实例分析 | 第27-32页 |
| 2.4.1 普通最小二乘回归结果分析及自变量相对重要性分析结果 | 第28-30页 |
| 2.4.2 偏最小二乘回归分析结果及自变量相对重要性估计值 | 第30-32页 |
| 2.5 模拟探索乘积尺度在偏最小二乘回归中自变量相对重要性的估计 | 第32-35页 |
| 2.5.1 Monte Carlo 方法简介 | 第32-33页 |
| 2.5.2 模拟参数设置及总体相关矩阵的产生 | 第33页 |
| 2.5.3 多元线性回归数据模拟过程 | 第33-35页 |
| 2.6 模拟结果 | 第35-44页 |
| 2.6.1 同一总体相关矩阵不同样本量对偏最小二乘回归中自变量相对重要性分析的影响 | 第35-36页 |
| 2.6.2 同一样本量在不同条件下多次模拟结果对比分析 | 第36-43页 |
| 2.6.3 结果分析 | 第43-44页 |
| 2.7 讨论 | 第44-46页 |
| 3 结论 | 第46-47页 |
| 3.1 本研究的创新之处 | 第46页 |
| 3.2 本研究的不足之处 | 第46-47页 |
| 参考文献 | 第47-49页 |
| 附录A 综述 | 第49-55页 |
| 参考文献 | 第53-55页 |
| 在学研究成果 | 第55-56页 |
| 致谢 | 第56页 |
