多变数超饱和模型回归分析的重复筛选新方法
| 符号说明 | 第4-5页 |
| 中文摘要 | 第5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第6-26页 |
| 1.1 论文背景 | 第6-7页 |
| 1.2 多元线性回归的基础 | 第7-11页 |
| 1.2.1 多元线性回归分析 | 第7-9页 |
| 1.2.2 多元线性回归模型的基本假定 | 第9-11页 |
| 1.3 研究现状 | 第11-19页 |
| 1.3.1 岭回归及其特点 | 第13-14页 |
| 1.3.2 MINQUE法及其特点 | 第14页 |
| 1.3.3 主成分回归及其特点 | 第14-15页 |
| 1.3.4 逐步回归及其特点 | 第15-17页 |
| 1.3.5 偏最小二乘回归及其特点 | 第17页 |
| 1.3.6 随机搜索变量选择及其特点 | 第17-18页 |
| 1.3.7 经验贝叶斯方法及其特点 | 第18页 |
| 1.3.8 惩罚似然法及其特点 | 第18页 |
| 1.3.9 最小绝对缩减和选择算子法及其特点 | 第18-19页 |
| 1.3.10 以上方法的问题及其根本原因 | 第19页 |
| 1.4 本文研究的内容和意义 | 第19-20页 |
| 1.5 筛选逐步回归 | 第20-26页 |
| 1.5.1 筛选逐步回归的基本思想 | 第20页 |
| 1.5.2 建立回归方程的筛选标准 | 第20-22页 |
| 1.5.2.1 回归方程目标函数 | 第20-21页 |
| 1.5.2.2 显著水平的动态调控 | 第21-22页 |
| 1.5.3 寻找最优方程 | 第22-23页 |
| 1.5.3.1 目标函数与最优子集之间的关系 | 第22页 |
| 1.5.3.2 获得最优子集的难度 | 第22页 |
| 1.5.3.3 获取最优子集的可能 | 第22-23页 |
| 1.5.4 筛选逐步回归的步骤 | 第23-26页 |
| 1.5.4.1 基础回归阶段 | 第23页 |
| 1.5.4.2 剔除和选入阶段 | 第23-24页 |
| 1.5.4.3 重新筛选阶段 | 第24-25页 |
| 1.5.4.4 缩张算法的借鉴应用 | 第25-26页 |
| 2 材料与方法 | 第26-31页 |
| 2.1 材料 | 第26页 |
| 2.2 筛选逐步回归的改进 | 第26-30页 |
| 2.2.1 模拟试验数据的改进 | 第26页 |
| 2.2.2 改进惩罚信息函数 | 第26-28页 |
| 2.2.3 扩张度和压缩比的反馈调节 | 第28-29页 |
| 2.2.4 弱效项库容大小的反馈调节 | 第29页 |
| 2.2.5 初始和中间阶段基础回归效应项的选择 | 第29-30页 |
| 2.3 模拟试验 | 第30-31页 |
| 2.3.1 多元线性回归分析的模拟设定 | 第30页 |
| 2.3.2 考察指标 | 第30-31页 |
| 2.4 实际数据分析 | 第31页 |
| 3 结果与分析 | 第31-33页 |
| 3.1 模拟试验 | 第31-32页 |
| 3.2 实际数据分析 | 第32-33页 |
| 4 讨论与展望 | 第33-34页 |
| 4.1 新方法的总结讨论 | 第33-34页 |
| 4.2 研究展望 | 第34页 |
| 参考文献 | 第34-38页 |
| 致谢 | 第38-39页 |
