回归分析中,非参数回归以其适用性强,对模型假定要求不严等优点,扩展了参数回归的应用范围,增强了模型的适应性。但非参数回归也有其局限性,当模型中的解释变量个数较多而样本含量并不是很大时,非参数回归拟合的效果并不尽如人意,容易引起方差的急剧增大。这种由于维度的增加而使方差急剧扩大的问题通常被称为“维度的祸害(curse of dimensionality)”。[第一段]
“多层线性模型”(Multilevel Linear Model,HLM)在美国被称为“层次线性模型”(Hierarch Linear Model),在英国被称为“多层分析”(Multilevel Analysis),由于它把第一层回归方程中的截距和斜率作为第二层回归方程中的随机变量,所以这...
详细信息
“多层线性模型”(Multilevel Linear Model,HLM)在美国被称为“层次线性模型”(Hierarch Linear Model),在英国被称为“多层分析”(Multilevel Analysis),由于它把第一层回归方程中的截距和斜率作为第二层回归方程中的随机变量,所以这种做法也被称作“回归的回归”。HLM是针对大规模的社会调查、经济研究领域中广泛存在的“嵌套”和“分层”结构数据而发展起来的一种新型统计分析技术,与传统统计方法相比具有模型假设与实际更吻合、结果解释更合理等特点。近年来这一方法逐渐在教育、管理、经济、社会学、心理学等领域的研究中被广泛应用。鉴于当前医学领域对该方法应用较少,为了让医学工作者对其有更多了解,以便在医学领域中更好地运用,现对HLM的原理、分析步骤及应用中应注意的问题简要介绍如下。[第一段]
暂无评论