教程演示🔗
使用 R、SPSS、SAS、Python 进行线性回归分析的从基础知识到高级培训和实践
你将学到什么
-
了解线性回归分析的工作原理，包括理论基础、技术、工作示例、四种软件的现场演示
-
进行良好线性回归的基础知识和要求，包括数据要求和初步调查工具（例如图表）
-
如何使用各种工具、测量和指标来评估线性回归模型是否适合您的数据，以及改进拟合的方法
-
在所涵盖的四种软件中的任何一个（或全部）中进行线性回归分析，即 R、SPSS、SAS、Python。您将看到从软件演示中学习
-
本课程全面涵盖应用线性回归分析。所以你不需要再次学习类似的课程（除了学习使用不同的软件）
要求
-
熟悉基本统计术语（通常是大学一年级或二年级应用统计学或统计数据分析入门课程）。如果您想了解基础理论部分，则需要对数学方程有一些基本了解（尽管这不是本课程的先决条件。
-
我假设您能够使用您选择学习的任何软件（即使用的四个软件中的一个）。对于您选择使用的任何软件，您至少应该能够运行该软件、引入数据等。
描述
本课程教您如何根据您的需求从基础级别到高级/专家级别进行线性回归分析。
我在本课程中采用的基本教学（或知识转移）理念是，学生应该首先学习和理解“分析方法的基础知识”，然后再学习如何应用这些方法通过软件进行数据分析。这与某些（类似）课程不同，这些课程的重点往往是教您如何使用软件来运行回归分析（无需深入了解回归方法本身）。我的目的是让您首先掌握回归分析作为建模技术，并有信心解决任何需要线性回归建模的建模/预测问题。这意味着课程的第一部分很大程度上与软件无关，
我相信，一旦你学好这个重要的方法论部分，你应该能够使用任何软件进行应用回归分析。您会发现，各种软件（包括我们在本课程中使用的四个）中的线性回归分析的代码和步骤/过程非常相似。同样重要的是，在大多数软件中，回归分析的输出在结构上都非常相似，并且可以理解。因此，我的观点（以及采用这种方法的原因）是，如果您最初很好地理解回归方法的基础知识，那么您应该能够随后使用任何软件并解释任何回归分析输出，
本课程的结构如下。
1. 线性回归的简介和动机。这里向您介绍线性回归分析的概念和方法，并提供其应用的一些实际示例。我们还回顾了课程中使用的四个真实（公开）数据集，以演示如何在现实生活中应用线性回归分析。
2. 通过考虑简单线性回归（SLR）情况，我们进一步了解线性回归的概念和方法。在这种情况下，您将构建一个模型来仅基于一个自变量或预测变量 (X) 来解释或预测因变量 (Y)。这个介绍部分允许我介绍用于线性回归分析的术语和方法。我使用现实生活中的数据来演示方法，在应用理论部分，我们使用 R 软件来演示方法并解释软件的典型输出。对于感兴趣的人，我还（可选）介绍了简单线性回归 (SLR) 分析的普通最小二乘法背后的数学和统计理论基础知识。
3. 在研究了 SLR（简单线性回归）之后，我们转向更复杂的多元线性回归 (MLR) 情况，在这种情况下，您现在将基于几个自变量或预测变量（例如几个 X）来建模或预测因变量 (Y) – 变量）。我们还学习 MLR 的方法（和一些理论），并将这些方法应用于实际数据。我们再次使用 R 软件来演示回归分析和解释结果。对于那些对这方面感兴趣的学生，还有可选的讲座，涵盖多元线性回归 (MLR) 分析的普通最小二乘方法背后的数学/统计理论。
4. 请注意，在 SLR 和 MLR 部分中，我们涵盖了以下领域：(i) 良好线性回归分析所需的数据和建模要求，(ii) 回归分析所需的探索性数据分析，(iii) 估计参数/回归系数， (iv) 解释软件输出的回归分析结果，(v) 使用可视化图和模型评估指标和测量进行建模后诊断，(vi) 关于回归系数的假设检验，并检查是否满足建模要求，(vii) ) 多元线性回归 (MLR) 分析的逐步回归分析。
5. 在课程的前面部分（小节）介绍了“回归方法”之后，我们开始学习如何使用各种软件运行回归分析。我们在几个部分中用了很多讲座来介绍和演示如何使用四种不同的软件进行线性回归分析。我们在不同的部分中介绍了此处使用的四种软件（R、SPSS、SAS、Python），其中（针对每种软件）我们演示了如何使用它来（i）绘制探索性图，（ii）运行回归模型，（ iii) 执行模型后诊断（视觉图、测量、指标、假设检验），以及 (iv) 在可能的情况下执行逐步回归分析。所有这些不同的软件都在几个真实的数据集上进行了演示，这些数据集展示了回归建模方法和结果的不同方面。需要强调的是，所有这些软件都具有不同的功能，这意味着我们所学到的某些部分可能无法在特定软件中得到演示。供您参考，R 软件和 Python 都是免费的开源软件，通常通过直接代码在其中运行回归建模。另一方面，SPSS 和 SAS 是商业和专有（即非开源）软件。通常，它们具有图形用户界面（GUI），允许用户纯粹通过“点击”运行回归分析（如果您无法使用其专有代码进行编码），但它们也可以纯粹通过代码运行回归分析。这意味着我们所学到的某些部分可能无法在特定软件中得到演示。供您参考，R 软件和 Python 都是免费的开源软件，通常通过直接代码在其中运行回归建模。另一方面，SPSS 和 SAS 是商业和专有（即非开源）软件。通常，它们具有图形用户界面（GUI），允许用户纯粹通过“点击”运行回归分析（如果您无法使用其专有代码进行编码），但它们也可以纯粹通过代码运行回归分析。这意味着我们所学到的某些部分可能无法在特定软件中得到演示。供您参考，R 软件和 Python 都是免费的开源软件，通常通过直接代码在其中运行回归建模。另一方面，SPSS 和 SAS 是商业和专有（即非开源）软件。通常，它们具有图形用户界面（GUI），允许用户纯粹通过“点击”运行回归分析（如果您无法使用其专有代码进行编码），但它们也可以纯粹通过代码运行回归分析。
如果您对此感兴趣，本课程还可以让您检查和比较这些不同的软件，进行回归分析……并且您不必为此学习几门课程。
本课程适合谁：
- 想要正确了解线性回归在实践/应用中如何工作的统计建模者、数据分析师、数据科学家、学生和研究人员，和/或有兴趣学习如何使用一种或多种使用的软件进行回归分析的人本课程（即 SAS、R、SPSS、Python）。
- 有兴趣了解如何使用四种不同的软件（本课程中使用的）进行线性回归分析的人
