因子分析（FactorAnalysis）因子分析与主成分分析相类似，同样用于降维，但因子分析具有更好的可解释性（因为相较于主成分分析，因子分析多了一个因子旋转），因此更适合降维，在这个程度上讲，因子分析是主成分分析的推广和扩展需要进行特别讲述的是这里的因子和试验设计里的因子（或因素）不相同，得到的因子往往比较抽象，而且很难被单独测量样例使用总平均、公共因子、特殊因子进行表示，如下公式，因为公共因子在每个案例都存在而且相同，故称之为公共因子，而特殊因子用来拟合那些不能被公共因子拟合的部分{x1=u1+a11f1+a12f2+⋯+a1mfm+ε1x2=u2+a21f1+a22f2+⋯+a2mfm+
小数据→y：连续性变量→x：6个以内→理论→验证→统计分析；大数据→y：分类变量→x：15个以内→探索→数据挖掘；一、X的选择流程业务（业务专家）：运营报告→年度报/季度报总是提到的字段→非常重要的变量；相关：求xi与y相关系数→降序排序→底部30%删除→非常不重要的变量；共线性：求x与x之间的相关系数→删除相关性较高的变量→比较重要的变量；建回归：分部门建立y与x回归（运营报告页数决定部门重要性）→每个部分删除50%→比较不重要的变量；主成分分析：一般控制6个以内（主要针对比较不重要的变量）；老年人和未成年人电商不分析→主要是促销活动容易触发法律；电商领域很多指标都是反推出来的；二、SPSS
6.2随机区组设计方差分析6.2.1原理随机区组设计又称为配伍组设计，该方法属于两因素方差分析，用于多个样本均数的比较，如将动物按体重、窝别等性质配伍，然后随机地分配到各个处理组中，即保证每一个区组内的观察对象的特征尽可能的相近。同一受试对象在不同时间点上的观察，或同一物品分为多份，每一份给予不同处理的比较也可用随机区组设计进行分析，随机区组设计资料的总变异可以分解为3个部分，即处理效应、区组间变异和随机误差，自由度也可分解成相应的3部分。三种变异的关系为：SS总=SS处理+SS区组+SS误差V总=V处理+V区组+V误差可以计算出两个F统计量，F处理和F区组，分别用于判定处理因素与区组因素是否
01Logistic回归定义：用于研究影响关系，即X对Y的影响情况。Y为定类数据，X可以是定量数据或者定类数据如何X是150170那是定量如果X是矮不矮就是定类探究X（定量）与Y（定量）之间的影响时-->线性回归如：衣服的价格对销量的影响探究X（定量\定类）与Y（定类）之间的影响时-->Logistic回归如：衣服颜色对购买度的影响翻译成人话：如用户的流失率以及什么因素造成了他的流失分类：二元Logistic回归：Y为两类多元...：Y大于两类，类别间无层次对比有序...：Y大于两类，类别间有层次对比1.不愿意/无所谓/愿意有层次2.沪上阿姨/蜜雪冰城/嘿嘿茶无层次二元Logistic案例分析
博主在使用SPSS统计软件做pearson相关性分析的时候，发现用热图可视化可能效果会更好，于是，博主就去度娘了，然后用R代码绘制，但是发现做显著性的时候（P值检验），p值计算出来竟然不一样，惊呆了！!>_一、绘制相关性热图方法base::cor()和base::cor.test()psych::cor.test()Hmisc::rcorr()corrplot::cor.mtest()以上就是找到的方法，最后博主还是使用基础包中的方式绘制了相关性热图，代码在后面附上。以上几种方法请看别的博主的链接：>>>1、2、3讲解>>>4讲解（1）避坑博主使用的是cor.mtest()来看显著性检验的，但
文章目录1.聚类分析的基本概念1.1方法概述1.2聚类方法2.系统聚类2.1系统聚类的类型2.2两个距离概念2.3亲疏程度的度量2.3.1个体间的亲疏程度的度量2.3.2个体与小类、小类与小类间的亲疏程度的度量2.4TransformValuesandMeasure2.5StatisticsandPlots3.K-均值聚类3.1K-均值聚类的操作界面4.聚类分析的注意点1.聚类分析的基本概念在声音样本数目比较多的情况下，直接进行成对比较法，工作量非常大，且评价者容易疲劳，在很大程度上影响评价结果的一致性和准确性。对于这种情况，采用聚类分析，从30个声音样本中选择有代表性的样本进行主观评价试验，
无论是科学研究还是统计调查，显著性检验作为判断两个或是多个数据集之间是否存在差异的方法一直被广泛应用于各个科研领域。如果我们想要判断样本与总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的，我们就需要对数据进行显著性检验。在统计学中，显著性检验是“统计假设检验”（Statisticalhypothesistesting）的一种，就是事先对总体(随机变量)的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设(备则假设)是否合理，即判断总体的真实情况与原假设是否有显著性差异。针对不同的数据类型，研究者需要使用不同的方法和统计量来实现具体的差异性
IBMSPSSStatistics是世界领先的统计软件，用于通过即席分析，假设检验和预测分析来解决业务和研究问题。组织使用IBMSPSSStatistics来理解数据，分析趋势，预测和计划以验证假设并得出准确的结论。软件：SPSS版本：26语言：中文/英文大小：1.49G安装环境：MacOS10.10（或更高，支持M芯片）下载链接：https://xntransfer.com/#/home?s=UxbOm5nh1.双击【SPSS26.dmg】安装包。2.点击【同意】。3.双击【IBM_SPSS_……安装】。4.输入电脑【开机密码】，点击【安装帮助程序】。5.点击【好】。6.点击【OK】。7.点
3.1频数分析频数分布分析主要通过频数分布表、条图和直方图，以及集中趋势和离散趋势的各种统计量，描述数据的分布特征。例如，要对数据文件做描述性统计分析，并绘制直方图，操作如下：（1）单击“分析”-“频率”，将弹出“频率”主对话框如下：注意对话框下方的“显示频率表”选项，SPSS默认选择，不选的话将只显示直方图，不显示频数分布表。（2）单击“统计量”，弹出“频率：统计量”，如下图：在该对话框中，选择需要显示的统计量。割点：选择此项，在后面的文本框中输入数值，假设为N，则表示计算并显示N分位数。百分位数：选择此项，在后面的文本框中输入数值，可实现想要显示的百分位数。 值为组的中点：表示如果数据已经
卡方检验和Fisher精确性检验卡方拟合度检验卡方独立性检验卡方检验的前提假设Fisher精确性检验卡方拟合度检验卡方拟合度检验概要：卡方拟合度检验也被称为单因素卡方检验，用于检验一个分类变量的预期频率和观察到的频率之间是否存在显著差异。卡方拟合度检验举例分析：例如将一个六个面的骰子投掷36次可以得到不同点数的出现频数。在正常情况下，各个点数的出现频率应该大致相等，如果通过卡方拟合度检验判断实际频率和预期频率确实存在显著差异，那么我们就有理由认为骰子本身存在问题。卡方独立性检验卡方独立性检验概要：卡方独立性检验也被称为双因素卡方检验，用于检验两个类别变量之间是否相互独立。交叉表：交叉表作用：当
