本文目录一览：
高中数学回归方程公式详解
线性回归方程公式：b=(x1y1+x2y2+...xnyn-nXY)/(x1+x2+...xn-nX)。利用数理统计中的回归分析，来确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法之一。
总离差不能用n个离差之和。
来表示，通常是用离差的平方和，即作为总离差，并使之达到最小，这样回归直线就是所有直线中Q取最小值的那一条，这种使“离差平方和最小”的方法，叫做最小二乘法：
由于绝对值使得计算不变，在实际应用中人们更喜欢用：Q=（y1-bx1-a）²+（y2-bx2-a）²+······+（yn-bxn-a）²，这样，问题就归结于：当a，b取什么值时Q最小，即到点直线y=bx+a的“整体距离”最小。
线性回归方程求法介绍
1、用所给样本求出两个相关变量的(算术）平均值。
2、分别计算分子和分母：（两个公式任选其一）分子。
3、计算b：b=分子/分母。
回归分析的内容和步骤是什么？
1、确定变量：
明确定义了预测的具体目标，并确定了因变量。 如果预测目标是下一年的销售量，则销售量Y是因变量。 通过市场调查和数据访问，找出与预测目标相关的相关影响因素，即自变量，并选择主要影响因素。
2、建立预测模型：
依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。
3、进行相关分析：
回归分析是因果因素（自变量）和预测因子（因变量）的数学统计分析。 只有当自变量和因变量之间存在某种关系时，建立的回归方程才有意义。 因此，作为自变量的因子是否与作为因变量的预测对象相关，程度的相关程度以及判断相关程度的程度是在回归分析中必须解决的问题。 相关分析通常需要相关性，并且相关度系数用于判断自变量和因变量之间的相关程度。
4、计算预测误差：
回归预测模型是否可用于实际预测取决于回归预测模型的测试和预测误差的计算。 回归方程只能通过回归方程作为预测模型来预测，只有当它通过各种测试且预测误差很小时才能预测。
5、确定预测值：
利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。
扩展资料：
回归分析的应用：
1、相关分析研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。比如说，从相关分析中我们可以得知“质量”和“用户满意度”变量密切相关，但是这两个变量之间到底是哪个变量受哪个变量的影响，影响程度如何，则需要通过回归分析方法来确定。
2、一般来说，回归分析是通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各个参数，然后评价回归模型是否能够很好的拟合实测数据；如果能够很好的拟合，则可以根据自变量作进一步预测。
参考资料来源：百度百科 - 回归分析
求高三数学知识点总结
高考数学基础知识汇总
第一部分 集合
（1）含n个元素的集合的子集数为2^n,真子集数为2^n－1；非空真子集的数为2^n-2；
（2） 注意：讨论的时候不要遗忘了 的情况。
（3）
第二部分 函数与导数
1．映射：注意 ①第一个集合中的元素必须有象；②一对一，或多对一。
2．函数值域的求法：①分析法 ；②配方法 ；③判别式法 ；④利用函数单调性 ；
⑤换元法 ；⑥利用均值不等式 ； ⑦利用数形结合或几何意义（斜率、距离、绝对值的意义等）；⑧利用函数有界性（ 、 、 等）；⑨导数法
3．复合函数的有关问题
（1）复合函数定义域求法：
① 若f(x)的定义域为〔a，b〕,则复合函数f[g(x)]的定义域由不等式a≤g(x)≤b解出② 若f[g(x)]的定义域为[a,b],求 f(x)的定义域，相当于x∈[a,b]时，求g(x)的值域。
（2）复合函数单调性的判定：
①首先将原函数 分解为基本函数：内函数 与外函数 ；
②分别研究内、外函数在各自定义域内的单调性；
③根据“同性则增，异性则减”来判断原函数在其定义域内的单调性。
注意：外函数 的定义域是内函数 的值域。
4．分段函数：值域（最值）、单调性、图象等问题，先分段解决，再下结论。
5．函数的奇偶性
⑴函数的定义域关于原点对称是函数具有奇偶性的必要条件；
⑵ 是奇函数 ；
⑶ 是偶函数 ；
⑷奇函数 在原点有定义，则 ；
⑸在关于原点对称的单调区间内：奇函数有相同的单调性，偶函数有相反的单调性；
（6）若所给函数的解析式较为复杂，应先等价变形，再判断其奇偶性；
6．函数的单调性
⑴单调性的定义：
① 在区间 上是增函数 当 时有 ；
② 在区间 上是减函数 当 时有 ；
⑵单调性的判定
1 定义法：
注意：一般要将式子 化为几个因式作积或作商的形式，以利于判断符号；
②导数法（见导数部分）；
③复合函数法（见2 （2））；
④图像法。
注：证明单调性主要用定义法和导数法。
7．函数的周期性
(1)周期性的定义：
对定义域内的任意 ，若有 （其中 为非零常数），则称函数 为周期函数， 为它的一个周期。
所有正周期中最小的称为函数的最小正周期。如没有特别说明，遇到的周期都指最小正周期。
（2）三角函数的周期
① ；② ；③ ；
④ ；⑤ ；
⑶函数周期的判定
①定义法（试值） ②图像法 ③公式法（利用（2）中结论）
⑷与周期有关的结论
① 或 的周期为 ；
② 的图象关于点 中心对称 周期为2 ；
③ 的图象关于直线 轴对称 周期为2 ；
④ 的图象关于点 中心对称，直线 轴对称 周期为4 ；
8．基本初等函数的图像与性质
⑴幂函数： （ ；⑵指数函数： ；
⑶对数函数: ；⑷正弦函数: ；
⑸余弦函数： ；（6）正切函数： ；⑺一元二次函数： ；
⑻其它常用函数：
1 正比例函数： ；②反比例函数： ；特别的
2 函数 ；
9．二次函数：
⑴解析式：
①一般式： ；②顶点式： ， 为顶点；
③零点式： 。
⑵二次函数问题解决需考虑的因素：
①开口方向；②对称轴；③端点值；④与坐标轴交点；⑤判别式；⑥两根符号。
⑶二次函数问题解决方法：①数形结合；②分类讨论。
10．函数图象：
⑴图象作法 ：①描点法 （特别注意三角函数的五点作图）②图象变换法③导数法
⑵图象变换：
1 平移变换：ⅰ ，2 ———“正左负右”
ⅱ ———“正上负下”；
3 伸缩变换：
ⅰ ， （ ———纵坐标不变，横坐标伸长为原来的 倍；
ⅱ ， （ ———横坐标不变，纵坐标伸长为原来的 倍；
4 对称变换：ⅰ ；ⅱ ；
ⅲ ； ⅳ ；
5 翻转变换：
ⅰ ———右不动，右向左翻（ 在 左侧图象去掉）；
ⅱ ———上不动，下向上翻（| |在 下面无图象）；
11．函数图象（曲线）对称性的证明
(1)证明函数 图像的对称性，即证明图像上任意点关于对称中心（对称轴）的对称点仍在图像上；
（2）证明函数 与 图象的对称性，即证明 图象上任意点关于对称中心（对称轴）的对称点在 的图象上，反之亦然；
注：
①曲线C1:f(x,y)=0关于点（a,b）的对称曲线C2方程为：f(2a－x,2b－y)=0;
②曲线C1:f(x,y)=0关于直线x=a的对称曲线C2方程为：f(2a－x, y)=0;
③曲线C1：f(x,y)=0,关于y=x+a(或y=－x+a)的对称曲线C2的方程为f(y－a,x+a)=0(或f(－y+a,－x+a)=0);
④f(a+x)=f(b－x) （x∈R） y=f(x)图像关于直线x= 对称；
特别地：f(a+x)=f(a－x) （x∈R） y=f(x)图像关于直线x=a对称；
⑤函数y=f(x－a)与y=f(b－x)的图像关于直线x= 对称；
12．函数零点的求法：
⑴直接法（求 的根）；⑵图象法；⑶二分法.
13．导数
⑴导数定义：f(x)在点x0处的导数记作 ；
⑵常见函数的导数公式: ① ；② ；③ ；
④ ；⑤ ；⑥ ；⑦ ；
⑧ 。
⑶导数的四则运算法则：
⑷（理科）复合函数的导数：
⑸导数的应用：
①利用导数求切线：注意：ⅰ所给点是切点吗？ⅱ所求的是“在”还是“过”该点的切线？
②利用导数判断函数单调性：
ⅰ 是增函数；ⅱ 为减函数；
ⅲ 为常数；
③利用导数求极值：ⅰ求导数 ；ⅱ求方程 的根；ⅲ列表得极值。
④利用导数最大值与最小值：ⅰ求的极值；ⅱ求区间端点值（如果有）；ⅲ得最值。
14．（理科）定积分
⑴定积分的定义：
⑵定积分的性质：① （ 常数）；
② ；
③ （其中 。
⑶微积分基本定理（牛顿—莱布尼兹公式）：
⑷定积分的应用：①求曲边梯形的面积： ；
3 求变速直线运动的路程： ；③求变力做功： 。
第三部分 三角函数、三角恒等变换与解三角形
1．⑴角度制与弧度制的互化： 弧度 ， 弧度， 弧度
⑵弧长公式： ；扇形面积公式： 。
2．三角函数定义：角 中边上任意一点 为 ，设 则：
3．三角函数符号规律：一全正，二正弦，三两切，四余弦；
4．诱导公式记忆规律：“函数名不（改）变，符号看象限”；
5．⑴ 对称轴： ；对称中心： ；
⑵ 对称轴： ；对称中心： ；
6．同角三角函数的基本关系： ；
7．两角和与差的正弦、余弦、正切公式：①
② ③ 。
8．二倍角公式：① ；
② ；③ 。
9．正、余弦定理：
⑴正弦定理： （ 是 外接圆直径 ）
注：① ；② ；③ 。
⑵余弦定理： 等三个；注： 等三个。
10。几个公式:
⑴三角形面积公式： ；
⑵内切圆半径r= ；外接圆直径2R=
11．已知 时三角形解的个数的判定：
第四部分 立体几何
1．三视图与直观图：注：原图形与直观图面积之比为 。
2．表（侧）面积与体积公式：
⑴柱体：①表面积：S=S侧+2S底；②侧面积：S侧= ；③体积：V=S底h
⑵锥体：①表面积：S=S侧+S底；②侧面积：S侧= ；③体积：V= S底h：
⑶台体：①表面积：S=S侧+S上底S下底；②侧面积：S侧= ；③体积：V= （S+ ）h；
⑷球体：①表面积：S= ；②体积：V= 。
3．位置关系的证明（主要方法）：
⑴直线与直线平行：①公理4；②线面平行的性质定理；③面面平行的性质定理。
⑵直线与平面平行：①线面平行的判定定理；②面面平行 线面平行。
⑶平面与平面平行：①面面平行的判定定理及推论；②垂直于同一直线的两平面平行。
⑷直线与平面垂直：①直线与平面垂直的判定定理；②面面垂直的性质定理。
⑸平面与平面垂直：①定义---两平面所成二面角为直角；②面面垂直的判定定理。
注：理科还可用向量法。
4.求角：（步骤-------Ⅰ。找或作角；Ⅱ。求角）
⑴异面直线所成角的求法：
1 平移法：平移直线，2 构造三角形；
3 ②补形法：补成正方体、平行六面体、长方体等，4 发现两条异面直线间的关系。
注：理科还可用向量法，转化为两直线方向向量的夹角。
⑵直线与平面所成的角：
①直接法（利用线面角定义）；②先求斜线上的点到平面距离h，与斜线段长度作比，得sin 。
注：理科还可用向量法，转化为直线的方向向量与平面法向量的夹角。
⑶二面角的求法：
①定义法：在二面角的棱上取一点（特殊点），作出平面角，再求解；
②三垂线法：由一个半面内一点作（或找）到另一个半平面的垂线，用三垂线定理或逆定理作出二面角的平面角，再求解；
③射影法：利用面积射影公式： ,其中 为平面角的大小；
注：对于没有给出棱的二面角，应先作出棱，然后再选用上述方法；
理科还可用向量法，转化为两个班平面法向量的夹角。
5.求距离：（步骤-------Ⅰ。找或作垂线段；Ⅱ。求距离）
⑴两异面直线间的距离：一般先作出公垂线段，再进行计算；
⑵点到直线的距离：一般用三垂线定理作出垂线段，再求解；
⑶点到平面的距离：
①垂面法：借助面面垂直的性质作垂线段（确定已知面的垂面是关键），再求解；
5 等体积法；
理科还可用向量法： 。
⑷球面距离：（步骤）
（Ⅰ）求线段AB的长；（Ⅱ）求球心角∠AOB的弧度数；(Ⅲ)求劣弧AB的长。
6．结论：
⑴从一点O出发的三条射线OA、OB、OC，若∠AOB=∠AOC，则点A在平面∠BOC上的射影在∠BOC的平分线上；
⑵立平斜公式(最小角定理公式)：
⑶正棱锥的各侧面与底面所成的角相等，记为 ，则S侧cos =S底；
⑷长方体的性质
①长方体体对角线与过同一顶点的三条棱所成的角分别为 则：cos2 +cos2 +cos2 =1；sin2 +sin2 +sin2 =2 。
②长方体体对角线与过同一顶点的三侧面所成的角分别为 则有cos2 +cos2 +cos2 =2；sin2 +sin2 +sin2 =1 。
⑸正四面体的性质：设棱长为 ，则正四面体的：
1 高： ；②对棱间距离： ；③相邻两面所成角余弦值： ；④内切2 球半径： ；外接球半径： ；
第五部分 直线与圆
1．直线方程
⑴点斜式： ；⑵斜截式： ；⑶截距式： ；
⑷两点式： ；⑸一般式： ，（A，B不全为0）。
（直线的方向向量：（ ，法向量（
2．求解线性规划问题的步骤是：
（1）列约束条件；（2）作可行域，写目标函数；（3）确定目标函数的最优解。
3．两条直线的位置关系：
4．直线系
5．几个公式
⑴设A（x1,y1）、B(x2,y2)、C（x3,y3），⊿ABC的重心G：（ ）；
⑵点P（x0,y0）到直线Ax+By+C=0的距离： ；
⑶两条平行线Ax+By+C1=0与 Ax+By+C2=0的距离是 ；
6．圆的方程：
⑴标准方程：① ；② 。
⑵一般方程： （
注：Ax2+Bxy+Cy2+Dx+Ey+F=0表示圆 A=C≠0且B=0且D2+E2－4AF0；
7．圆的方程的求法：⑴待定系数法；⑵几何法；⑶圆系法。
8．圆系：
⑴ ；
注：当 时表示两圆交线。
⑵ 。
9．点、直线与圆的位置关系：（主要掌握几何法）
⑴点与圆的位置关系：（ 表示点到圆心的距离）
① 点在圆上；② 点在圆内；③ 点在圆外。
⑵直线与圆的位置关系：（ 表示圆心到直线的距离）
① 相切；② 相交；③ 相离。
⑶圆与圆的位置关系：（ 表示圆心距， 表示两圆半径，且 ）
① 相离；② 外切；③ 相交；
④ 内切；⑤ 内含。
10．与圆有关的结论：
⑴过圆x2+y2=r2上的点M(x0,y0)的切线方程为：x0x+y0y=r2；
过圆(x-a)2+(y-b)2=r2上的点M(x0,y0)的切线方程为：(x0-a)(x-a)+(y0-b)(y-b)=r2；
⑵以A(x1，y2)、B(x2,y2)为直径的圆的方程：(x－x1)(x－x2)+(y－y1)(y－y2)=0。
第六部分 圆锥曲线
1．定义：⑴椭圆： ；
⑵双曲线： ；⑶抛物线：略
2．结论
⑴焦半径：①椭圆： （e为离心率）； （左“+”右“-”）；
②抛物线：
⑵弦长公式：
；
注：（Ⅰ）焦点弦长：①椭圆： ；②抛物线： ＝x1+x2+p= ；（Ⅱ）通径（最短弦）：①椭圆、双曲线： ；②抛物线：2p。
⑶过两点的椭圆、双曲线标准方程可设为： （ 同时大于0时表示椭圆， 时表示双曲线）；
⑷椭圆中的结论：
①内接矩形最大面积 ：2ab；
②P，Q为椭圆上任意两点，且OP 0Q，则 ；
③椭圆焦点三角形：Ⅰ． ，（ ）；Ⅱ．点 是 内心， 交 于点 ，则 ；
④当点 与椭圆短轴顶点重合时 最大；
⑸双曲线中的结论：
①双曲线 （a0,b0）的渐近线： ；
②共渐进线 的双曲线标准方程为 为参数， ≠0）；
③双曲线焦点三角形：Ⅰ． ，（ ）；Ⅱ．P是双曲线 － =1(a＞0，b＞0)的左（右）支上一点，F1、F2分别为左、右焦点，则△PF1F2的内切圆的圆心横坐标为 ；
④双曲线为等轴双曲线 渐近线为 渐近线互相垂直；
（6）抛物线中的结论：
①抛物线y2=2px(p0)的焦点弦AB性质：Ⅰ． x1x2= ；y1y2=－p2；
Ⅱ． ；Ⅲ．以AB为直径的圆与准线相切；Ⅳ．以AF（或BF）为直径的圆与 轴相切；Ⅴ． 。
②抛物线y2=2px(p0)内结直角三角形OAB的性质：
Ⅰ． ； Ⅱ． 恒过定点 ；
Ⅲ． 中点轨迹方程： ；Ⅳ． ，则 轨迹方程为： ；Ⅴ． 。
③抛物线y2=2px(p0)，对称轴上一定点 ，则：
Ⅰ．当 时，顶点到点A距离最小，最小值为 ；Ⅱ．当 时，抛物线上有关于 轴对称的两点到点A距离最小，最小值为 。
3．直线与圆锥曲线问题解法：
⑴直接法（通法）：联立直线与圆锥曲线方程，构造一元二次方程求解。
注意以下问题：
①联立的关于“ ”还是关于“ ”的一元二次方程？
②直线斜率不存在时考虑了吗？
③判别式验证了吗？
⑵设而不求（代点相减法）：--------处理弦中点问题
步骤如下：①设点A(x1，y1)、B(x2,y2)；②作差得 ；③解决问题。
4．求轨迹的常用方法：（1）定义法：利用圆锥曲线的定义； （2）直接法（列等式）；（3）代入法（相关点法或转移法）；⑷待定系数法；（5）参数法；（6）交轨法。
第七部分 平面向量
⑴设a=(x1,y1),b=(x2,y2)，则： ① a‖b(b≠0) a= b （ x1y2－x2y1=0；
② a⊥b(a、b≠0) a•b=0 x1x2+y1y2=0 .
⑵a•b=|a||b|cosa,b=x2+y1y2；
注：①|a|cosa,b叫做a在b方向上的投影；|b|cosa,b叫做b在a方向上的投影；
6 a•b的几何意义：a•b等于|a|与|b|在a方向上的投影|b|cosa,b的乘积。
⑶cosa,b= ；
⑷三点共线的充要条件：P，A，B三点共线 ；
附：（理科）P，A，B，C四点共面 。
第八部分 数列
1．定义：
⑴等差数列 ；
⑵等比数列
；
2．等差、等比数列性质
等差数列 等比数列
通项公式
前n项和
性质 ①an=am+ (n－m)d, ①an=amqn-m;
②m+n=p+q时am+an=ap+aq ②m+n=p+q时aman=apaq
③ 成AP ③ 成GP
④ 成AP, ④ 成GP,
等差数列特有性质：
1 项数为2n时：S2n=n(an+an+1)=n(a1+a2n)； ； ；
2 项数为2n-1时：S2n-1=(2n-1) ； ； ；
3 若 ；若 ；
若 。
3．数列通项的求法：
⑴分析法；⑵定义法（利用AP,GP的定义）；⑶公式法：累加法（ ；
⑷叠乘法（ 型）；⑸构造法（ 型）；（6）迭代法；
⑺间接法（例如： ）；⑻作商法（ 型）；⑼待定系数法；⑽（理科）数学归纳法。
注：当遇到 时，要分奇数项偶数项讨论，结果是分段形式。
4．前 项和的求法：
⑴拆、并、裂项法；⑵倒序相加法；⑶错位相减法。
5．等差数列前n项和最值的求法：
⑴ ；⑵利用二次函数的图象与性质。
第九部分 不等式
1．均值不等式：
注意：①一正二定三相等；②变形， 。
2．绝对值不等式：
3．不等式的性质：
⑴ ；⑵ ；⑶ ；
；⑷ ； ；
；⑸ ；（6）
。
4．不等式等证明（主要）方法：
⑴比较法：作差或作比；⑵综合法；⑶分析法。
第十部分 复数
1．概念：
⑴z=a+bi∈R b=0 (a,b∈R) z= z2≥0；
⑵z=a+bi是虚数 b≠0(a,b∈R)；
⑶z=a+bi是纯虚数 a=0且b≠0(a,b∈R) z＋ ＝0（z≠0） z20；
⑷a+bi=c+di a=c且c=d(a,b,c,d∈R)；
2．复数的代数形式及其运算：设z1= a + bi , z2 = c + di (a,b,c,d∈R)，则：
（1） z 1± z2 = (a + b) ± (c + d)i；⑵ z1.z2 = (a+bi)•(c+di)＝（ac-bd）+ (ad+bc)i；⑶z1÷z2 = (z2≠0) ;
3．几个重要的结论：
；⑶ ；⑷
⑸ 性质：T=4； ；
（6） 以3为周期，且 ； =0；
（7） 。
4．运算律：（1）
5．共轭的性质：⑴ ；⑵ ；⑶ ；⑷ 。
6．模的性质：⑴ ；⑵ ；⑶ ；⑷ ；
第十一部分 概率
1．事件的关系：
⑴事件B包含事件A：事件A发生，事件B一定发生，记作 ；
⑵事件A与事件B相等：若 ，则事件A与B相等，记作A=B；
⑶并（和）事件：某事件发生，当且仅当事件A发生或B发生，记作 （或 ）；
⑷并（积）事件：某事件发生，当且仅当事件A发生且B发生，记作 （或 ） ；
⑸事件A与事件B互斥：若 为不可能事件（ ），则事件A与互斥；
（6）对立事件： 为不可能事件， 为必然事件，则A与B互为对立事件。
2．概率公式：
⑴互斥事件（有一个发生）概率公式：P(A+B)=P(A)+P(B)；
⑵古典概型： ；
⑶几何概型： ；
第十二部分 统计与统计案例
1．抽样方法
⑴简单随机抽样：一般地，设一个总体的个数为N，通过逐个不放回的方法从中抽取一个容量为n的样本，且每个个体被抽到的机会相等，就称这种抽样为简单随机抽样。
注：①每个个体被抽到的概率为 ；
②常用的简单随机抽样方法有：抽签法；随机数法。
⑵系统抽样：当总体个数较多时，可将总体均衡的分成几个部分，然后按照预先制定的
规则，从每一个部分抽取一个个体，得到所需样本，这种抽样方法叫系统抽样。
注：步骤：①编号；②分段；③在第一段采用简单随机抽样方法确定其时个体编号 ；
④按预先制定的规则抽取样本。
⑶分层抽样：当已知总体有差异比较明显的几部分组成时，为使样本更充分的反映总体的情况，将总体分成几部分，然后按照各部分占总体的比例进行抽样，这种抽样叫分层抽样。
注：每个部分所抽取的样本个体数=该部分个体数
2．总体特征数的估计：
⑴样本平均数 ；
⑵样本方差 ；
⑶样本标准差 = ；
3．相关系数（判定两个变量线性相关性）：
注：⑴ 0时，变量 正相关； 0时，变量 负相关；
⑵① 越接近于1，两个变量的线性相关性越强；② 接近于0时，两个变量之间几乎不存在线性相关关系。
4．回归分析中回归效果的判定：
⑴总偏差平方和： ⑵残差： ；⑶残差平方和： ；⑷回归平方和： － ；⑸相关指数 。
注：① 得知越大，说明残差平方和越小，则模型拟合效果越好；
② 越接近于1，，则回归效果越好。
5．独立性检验（分类变量关系）：
随机变量 越大，说明两个分类变量，关系越强，反之，越弱。
第十四部分 常用逻辑用语与推理证明
1． 四种命题：
⑴原命题：若p则q； ⑵逆命题：若q则p；
⑶否命题：若 p则 q；⑷逆否命题：若 q则 p
注：原命题与逆否命题等价；逆命题与否命题等价。
2．充要条件的判断：
（1）定义法----正、反方向推理；
（2）利用集合间的包含关系：例如：若 ，则A是B的充分条件或B是A的必要条件；若A=B，则A是B的充要条件；
3．逻辑连接词：
⑴且(and) ：命题形式 p q； p q p q p q p
⑵或（or）：命题形式 p q； 真 真 真 真 假
⑶非（not）：命题形式 p . 真 假 假 真 假
假 真 假 真 真
假 假 假 假 真
4．全称量词与存在量词
⑴全称量词-------“所有的”、“任意一个”等，用 表示；
全称命题p： ；
全称命题p的否定 p： 。
⑵存在量词--------“存在一个”、“至少有一个”等，用 表示；
特称命题p： ；
特称命题p的否定 p： ；
第十五部分 推理与证明
1．推理：
⑴合情推理：归纳推理和类比推理都是根据已有事实，经过观察、分析、比较、联想，在进行归纳、类比，然后提出猜想的推理，我们把它们称为合情推理。
①归纳推理：由某类食物的部分对象具有某些特征，推出该类事物的全部对象都具有这些特征的推理，或者有个别事实概括出一般结论的推理，称为归纳推理，简称归纳。
注：归纳推理是由部分到整体，由个别到一般的推理。
②类比推理：由两类对象具有类似和其中一类对象的某些已知特征，推出另一类对象也具有这些特征的推理，称为类比推理，简称类比。
注：类比推理是特殊到特殊的推理。
⑵演绎推理：从一般的原理出发，推出某个特殊情况下的结论，这种推理叫演绎推理。
注：演绎推理是由一般到特殊的推理。
“三段论”是演绎推理的一般模式，包括：
⑴大前提---------已知的一般结论；
⑵小前提---------所研究的特殊情况；
⑶结 论---------根据一般原理，对特殊情况得出的判断。
二．证明
⒈直接证明
⑴综合法
一般地，利用已知条件和某些数学定义、定理、公理等，经过一系列的推理论证，最后推导出所要证明的结论成立，这种证明方法叫做综合法。综合法又叫顺推法或由因导果法。
⑵分析法
一般地，从要证明的结论出发，逐步寻求使它成立的充分条件，直至最后，把要证明的结论归结为判定一个明显成立的条件（已知条件、定义、定理、公理等），这种证明的方法叫分析法。分析法又叫逆推证法或执果索因法。
2．间接证明------反证法
一般地，假设原命题不成立，经过正确的推理，最后得出矛盾，因此说明假设错误，从而证明原命题成立，这种证明方法叫反证法。
附：数学归纳法（仅限理科）
一般的证明一个与正整数 有关的一个命题，可按以下步骤进行：
⑴证明当 取第一个值 是命题成立；
⑵假设当 命题成立，证明当 时命题也成立。
那么由⑴⑵就可以判定命题对从 开始所有的正整数都成立。
这种证明方法叫数学归纳法。
注：①数学归纳法的两个步骤缺一不可，用数学归纳法证明问题时必须严格按步骤进行；
3 的取值视题目而4 定，5 可能是1，6 也可能是2等。
第十六部分 理科选修部分
1． 排列、组合和二项式定理
⑴排列数公式: =n(n-1)(n-2)…(n-m＋1)= (m≤n,m、n∈N*),当m=n时为全排列 =n(n-1)(n-2)…3.2.1=n!;
⑵组合数公式： （m≤n）, ；
⑶组合数性质： ；
⑷二项式定理：
①通项： ②注意二项式系数与系数的区别；
⑸二项式系数的性质：
①与首末两端等距离的二项式系数相等；②若n为偶数，中间一项（第 ＋1项）二项式系数最大；若n为奇数，中间两项（第 和 ＋1项）二项式系数最大；
③
(6)求二项展开式各项系数和或奇（偶）数项系数和时，注意运用赋值法。
2. 概率与统计
⑴随机变量的分布列：
①随机变量分布列的性质：pi≥0,i=1,2,…； p1+p2+…=1;
②离散型随机变量：
X x1 X2 … xn …
P P1 P2 … Pn …
期望：EX＝ x1p1 + x2p2 + … + xnpn + … ;
方差：DX＝ ;
注： ；
③两点分布：
X 0 1 期望：EX＝p；方差：DX＝p(1-p).
P 1－p p
4 超几何分布：
一般地，在含有M件次品的N件产品中，任取n件，其中恰有X件次品，则 其中， 。
称分布列
X 0 1 … m
P …
为超几何分布列， 称X服从超几何分布。
⑤二项分布（独立重复试验）：
若X～B（n,p）,则EX＝np, DX＝np（1- p）;注： 。
⑵条件概率：称 为在事件A发生的条件下，事件B发生的概率。
注：①0 P（B|A） 1；②P(B∪C|A)=P(B|A)+P(C|A)。
⑶独立事件同时发生的概率：P（AB）=P（A）P（B）。
⑷正态总体的概率密度函数： 式中 是参数，分别表示总体的平均数（期望值）与标准差；
（6）正态曲线的性质：
①曲线位于x轴上方，与x轴不相交；②曲线是单峰的，关于直线x＝ 对称；
③曲线在x＝ 处达到峰值 ；④曲线与x轴之间的面积为1；
5 当 一定时，6 曲线随 质的变化沿x轴平移；
7 当 一定时，8 曲线形状由 确定： 越大，9 曲线越“矮胖”，10 表示总体分布越集中；
越小，曲线越“高瘦”，表示总体分布越分散。
注：P =0.6826；P =0.9544
P =0.9974
欢迎采纳 祝你幸福
高中数学必修三知识点
一个人的知识面是一个圆圈，知识储备越多，圆圈越大，接触到的面积便越广阔，便能掌握和窥视更多的机会。下面是由我为大家整理的高中数学必修三知识点，仅供参考，欢迎大家阅读。
高中数学必修三知识点1
算法初步
1：算法的概念
（1）算法概念：在数学上，现代意义上的“算法”通常是指可以用计算机来解决的某一类问题是程序或步骤，这些程序或步骤必须是明确和有效的，而且能够在有限步之内完成.
（2）算法的特点:
图片有限性：一个算法的步骤序列是有限的，必须在有限操作之后停止，不能是无限的.
图片确定性：算法中的每一步应该是确定的并且能有效地执行且得到确定的结果，而不应当是模棱两可.
图片顺序性与正确性：算法从初始步骤开始，分为若干明确的步骤，每一个步骤只能有一个确定的后继步骤，前一步是后一步的前提，只有执行完前一步才能进行下一步，并且每一步都准确无误，才能完成问题.
图片不唯一性：求解某一个问题的解法不一定是唯一的，对于一个问题可以有不同的算法.
图片普遍性：很多具体的问题，都可以设计合理的算法去解决，如心算、计算器计算都要经过有限、事先设计好的步骤加以解决.
2： 程序框图
（1）程序框图基本概念：
图片程序构图的概念：程序框图又称流程图，是一种用规定的图形、指向线及文字说明来准确、直观地表示算法的图形。
一个程序框图包括以下几部分：表示相应操作的程序框；带箭头的流程线；程序框外必要文字说明。
图片构成程序框的图形符号及其作用
程序框
名称
功能
图片
起止框
表示一个算法的起始和结束，是任何流程图不可少的。
图片
输入、输出框
表示一个算法输入和输出的信息，可用在算法中任何需要输入、输出的位置。
图片
图片
处理框
赋值、计算，算法中处理数据需要的算式、公式等分别写在不同的用以处理数据的处理框内。
判断框
判断某一条件是否成立，成立时在出口处标明“是”或“Y”；不成立时标明“否”或“N”。
3：算法的三种基本逻辑结构：顺序结构、条件结构、循环结构。
（1）顺序结构：顺序结构是最简单的算法结构，语句与语句之间，框与框之间是按从上到下的顺序进行的，它是由若干个依次执行的处理步骤组成的，它是任何一个算法都离不开的一种基本算法结构。
（2）条件结构：条件结构是指在算法中通过对条件的判断根据条件是否成立而选择不同流向的
算法结构。
（3）循环结构：在一些算法中，经常会出现从某处开始，按照一定条件，反复执行某一处理步骤的情况，这就是循环结构，反复执行的处理步骤为循环体，显然，循环结构中一定包含条件结构。
高中数学必修三知识点2
统计
2.1.1简单随机抽样
1．总体和样本
在统计学中,把研究对象的全体叫做总体．把每个研究对象叫做个体．把总体中个体的总数叫做总体容量．为了研究总体 的有关性质，一般从总体中随机抽取一部分： 研究，我们称它为样本．其中个体的个数称为样本容量．
2．简单随机抽样，也叫纯随机抽样。
就是从总体中不加任何分组、划类、排队等，完全随机地抽取调查单位。特点是：每个样本单位被抽中的可能性相同（概率相等），样本的每个单位完全独立，彼此间无一定的关联性和排斥性。简单随机抽样是 其它 各种抽样形式的基础。通常只是在总体单位之间差异程度较小和数目较少时，才采用这种 方法 。
3．简单随机抽样常用的方法：
（1）抽签法；⑵随机数表法；⑶计算机模拟法；⑷使用统计软件直接抽取。
在简单随机抽样的样本容量设计中，主要考虑：①总体变异情况；②允许误差范围；③概率保证程度。
4．抽签法:
（1）给调查对象群体中的每一个对象编号；
（2）准备抽签的工具，实施抽签
（3）对样本中的每一个个体进行测量或调查
例：请调查你所在的学校的学生做喜欢的体育活动情况。
5．随机数表法：
例：利用随机数表在所在的班级中抽取10位同学参加某项活动。
2.1.2系统抽样
1．系统抽样（等距抽样或机械抽样）：
把总体的单位进行排序，再计算出抽样距离，然后按照这一固定的抽样距离抽取样本。第一个样本采用简单随机抽样的办法抽取。
K（抽样距离）=N（总体规模）/n（样本规模）
前提条件：总体中个体的排列对于研究的变量来说，应是随机的，即不存在某种与研究变量相关的规则分布。可以在调查允许的条件下，从不同的样本开始抽样，对比几次样本的特点。如果有明显差别，说明样本在总体中的分布承某种循环性规律，且这种循环和抽样距离重合。
2．系统抽样，即等距抽样是实际中最为常用的抽样方法之一。因为它对抽样框的要求较低，实施也比较简单。更为重要的是，如果有某种与调查指标相关的辅助变量可供使用，总体单元按辅助变量的大小顺序排队的话，使用系统抽样可以大大提高估计精度。
2.1.3分层抽样
1．分层抽样（类型抽样）：
先将总体中的所有单位按照某种特征或标志（性别、年龄等）划分成若干类型或层次，然后再在各个类型或层次中采用简单随机抽样或系用抽样的办法抽取一个子样本，最后，将这些子样本合起来构成总体的样本。
两种方法：
1．先以分层变量将总体划分为若干层，再按照各层在总体中的比例从各层中抽取。
2．先以分层变量将总体划分为若干层，再将各层中的元素按分层的顺序整齐排列，最后用系统抽样的方法抽取样本。
2．分层抽样是把异质性较强的总体分成一个个同质性较强的子总体，再抽取不同的子总体中的样本分别代表该子总体，所有的样本进而代表总体。
分层标准：
（1）以调查所要分析和研究的主要变量或相关的变量作为分层的标准。
（2）以保证各层内部同质性强、各层之间异质性强、突出总体内在结构的变量作为分层变量。
（3）以那些有明显分层区分的变量作为分层变量。
3．分层的比例问题：
（1）按比例分层抽样：根据各种类型或层次中的单位数目占总体单位数目的比重来抽取子样本的方法。
（2）不按比例分层抽样：有的层次在总体中的比重太小，其样本量就会非常少，此时采用该方法，主要是便于对不同层次的子总体进行专门研究或进行相互比较。如果要用样本资料推断总体时，则需要先对各层的数据资料进行加权处理，调整样本中各层的比例，使数据恢复到总体中各层实际的比例结构。
2.2.2用样本的数字特征估计总体的数字特征
1、本均值：
2、样本标准差：
3．用样本估计总体时，如果抽样的方法比较合理，那么样本可以反映总体的信息，但从样本得到的信息会有偏差。在随机抽样中，这种偏差是不可避免的。
虽然我们用样本数据得到的分布、均值和标准差并不是总体的真正的分布、均值和标准差，而只是一个估计，但这种估计是合理的，特别是当样本量很大时，它们确实反映了总体的信息。
4．（1）如果把一组数据中的每一个数据都加上或减去同一个共同的常数，标准差不变
（2）如果把一组数据中的每一个数据乘以一个共同的常数k，标准差变为原来的k倍
（3）一组数据中的最大值和最小值对标准差的影响，区间 的应用；
“去掉一个最高分，去掉一个最低分”中的科学道理
2.3.2两个变量的线性相关
1、概念:
（1）回归直线方程
（2）回归系数
2．最小二乘法
3．直线回归方程的应用
（1）描述两变量之间的依存关系；利用直线回归方程即可定量描述两个变量间依存的数量关系
（2）利用回归方程进行预测；把预报因子（即自变量x）代入回归方程对预报量（即因变量Y）进行估计，即可得到个体Y值的容许区间。
（3）利用回归方程进行统计控制规定Y值的变化，通过控制x的范围来实现统计控制的目标。如已经得到了空气中NO2的浓度和汽车流量间的回归方程，即可通过控制汽车流量来控制空气中NO2的浓度。
4．应用直线回归的注意事项
（1）做回归分析要有实际意义；
（2）回归分析前,最好先作出散点图；
（3）回归直线不要外延。
高中数学必修三知识点3
概 率
3.1.1 —3.1.2随机事件的概率及概率的意义
1、基本概念：
（1）必然事件：在条件S下，一定会发生的事件，叫相对于条件S的必然事件；
（2）不可能事件：在条件S下，一定不会发生的事件，叫相对于条件S的不可能事件；
（3）确定事件：必然事件和不可能事件统称为相对于条件S的确定事件；
（4）随机事件：在条件S下可能发生也可能不发生的事件，叫相对于条件S的随机事件；
（5）频数与频率：在相同的条件S下重复n次试验，观察某一事件A是否出现，称n次试验中事件A出现的次数nA为事件A出现的频数；称事件A出现的比例fn(A)=为事件A出现的概率：对于给定的随机事件A，如果随着试验次数的增加，事件A发生的频率fn(A)稳定在某个常数上，把这个常数记作P（A），称为事件A的概率。
（6）频率与概率的区别与联系：随机事件的频率，指此事件发生的次数nA与试验总次数n的比值 ，它具有一定的稳定性，总在某个常数附近摆动，且随着试验次数的不断增多，这种摆动幅度越来越小。我们把这个常数叫做随机事件的概率，概率从数量上反映了随机事件发生的可能性的大小。频率在大量重复试验的前提下可以近似地作为这个事件的概率
3.1.3概率的基本性质
1、基本概念：
（1）事件的包含、并事件、交事件、相等事件
（2）若A∩B为不可能事件，即A∩B=ф，那么称事件A与事件B互斥；
（3）若A∩B为不可能事件，A∪B为必然事件，那么称事件A与事件B互为对立事件；
（4）当事件A与B互斥时，满足加法公式：P(A∪B)= P(A)+ P(B)；若事件A与B为对立事件，则A∪B为必然事件，所以P(A∪B)= P(A)+ P(B)=1，于是有P(A)=1—P(B)
2、概率的基本性质：
1）必然事件概率为1，不可能事件概率为0，因此0≤P(A)≤1；
2）当事件A与B互斥时，满足加法公式：P(A∪B)= P(A)+ P(B)；
3）若事件A与B为对立事件，则A∪B为必然事件，所以P(A∪B)= P(A)+ P(B)=1，于是有P(A)=1—P(B)；
4）互斥事件与对立事件的区别与联系，互斥事件是指事件A与事件B在一次试验中不会同时发生，其具体包括三种不同的情形：（1）事件A发生且事件B不发生；（2）事件A不发生且事件B发生；（3）事件A与事件B同时不发生，而对立事件是指事件A与事件B有且仅有一个发生，其包括两种情形；（1）事件A发生B不发生；（2）事件B发生事件A不发生，对立事件互斥事件的特殊情形。
3.2.1 —3.2.2古典概型及随机数的产生
1、（1）古典概型的使用条件：试验结果的有限性和所有结果的等可能性。
（2）古典概型的解题步骤；
①求出总的基本事件数；
②求出事件A所包含的基本事件数，然后利用公式P（A）=
3.3.1—3.3.2几何概型及均匀随机数的产生
1、基本概念：
（1）几何概率模型：如果每个事件发生的概率只与构成该事件区域的长度（面积或体积）成比例，则称这样的概率模型为几何概率模型；
（2）几何概型的概率公式：
P（A）=；
（3）几何概型的特点：1）试验中所有可能出现的结果（基本事件）有无限多个；2）每个基本事件出现的可能性相等。
高中数学必修三知识点相关 文章 ：
★ 高中数学必修三重点知识点复习
★ 高一数学必修3各章知识点总结
★ 高中数学必修三目录人教版
★ 高中数学必修三公式汇总
★ 高中数学必修3随机抽样知识点
★ 高三数学必修三知识点总复习资料
★ 高中必修三数学知识点
★ 高二数学必修三第三章知识点总结
★ 北师大高中数学必修3知识点
var _hmt = _hmt || []; (function() { var hm = document.createElement("script"); hm.src = ""; var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(hm, s); })();
回归分析的认识及简单运用
回归分析的认识及简单运用
回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的自变量的多少，分为回归和多重回归分析；按照自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多重线性回归分析。
定义
回归分析是应用极其广泛的数据分析方法之一。它基于观测数据建立变量间适当的依赖关系，以分析数据内在规律，并可用于预报、控制等问题。
方差齐性
线性关系
效应累加
变量无测量误差
变量服从多元正态分布
观察独立
模型完整（没有包含不该进入的变量、也没有漏掉应该进入的变量）
误差项独立且服从（0，1）正态分布。
现实数据常常不能完全符合上述假定。因此，统计学家研究出许多的回归模型来解决线性回归模型假定过程的约束。
研究一个或多个随机变量Y1 ，Y2 ，…，Yi与另一些变量X1、X2，…，Xk之间的关系的统计方法，又称多重回归分析。通常称Y1，Y2，…，Yi为因变量，X1、X2，…，Xk为自变量。回归分析是一类数学模型，特别当因变量和自变量为线性关系时，它是一种特殊的线性模型。最简单的情形是一个自变量和一个因变量，且它们大体上有线性关系，这叫一元线性回归，即模型为Y=a+bX+ε，这里X是自变量，Y是因变量，ε是随机误差，通常假定随机误差的均值为0，方差为σ^2（σ^2大于0）σ^2与X的值无关。若进一步假定随机误差遵从正态分布，就叫做正态线性模型。一般的情形，它有k个自变量和一个因变量，因变量的值可以分解为两部分：一部分是由于自变量的影响，即表示为自变量的函数，其中函数形式已知，但含一些未知参数；另一部分是由于其他未被考虑的因素和随机性的影响，即随机误差。当函数形式为未知参数的线性函数时，称线性回归分析模型；当函数形式为未知参数的非线性函数时，称为非线性回归分析模型。当自变量的个数大于1时称为多元回归，当因变量个数大于1时称为多重回归。
回归分析的主要内容为：
①从一组数据出发，确定某些变量之间的定量关系式，即建立数学模型并估计其中的未知参数。估计参数的常用方法是最小二乘法。
②对这些关系式的可信程度进行检验。
③在许多自变量共同影响着一个因变量的关系中，判断哪个（或哪些）自变量的影响是显著的，哪些自变量的影响是不显著的，将影响显著的自变量入模型中，而剔除影响不显著的变量，通常用逐步回归、向前回归和向后回归等方法。
④利用所求的关系式对某一生产过程进行预测或控制。回归分析的应用是非常广泛的，统计软件包使各种回归方法计算十分方便。
在回归分析中，把变量分为两类。一类是因变量，它们通常是实际问题中所关心的一类指标，通常用Y表示；而影响因变量取值的的另一类变量称为自变量，用X来表示。
回归分析研究的主要问题是：
（1）确定Y与X间的定量关系表达式，这种表达式称为回归方程；
（2）对求得的回归方程的可信度进行检验；
（3）判断自变量X对因变量Y有无影响；
（4）利用所求得的回归方程进行预测和控制。
回归分析可以说是统计学中内容最丰富、应用最广泛的分支。这一点几乎不带夸张。包括最简单的t检验、方差分析也都可以归到线性回归的类别。而卡方检验也完全可以用logistic回归代替。
众多回归的名称张口即来的就有一大片，线性回归、logistic回归、cox回归、poission回归、probit回归等等等等，可以一直说的你头晕。为了让大家对众多回归有一个清醒的认识，这里简单地做一下总结：
1、线性回归，这是我们学习统计学时最早接触的回归，就算其它的你都不明白，最起码你一定要知道，线性回归的因变量是连续变量，自变量可以是连续变量，也可以是分类变量。如果只有一个自变量，且只有两类，那这个回归就等同于t检验。如果只有一个自变量，且有三类或更多类，那这个回归就等同于方差分析。如果有2个自变量，一个是连续变量，一个是分类变量，那这个回归就等同于协方差分析。所以线性回归一定要认准一点，因变量一定要是连续变量。
2、logistic回归，与线性回归并成为两大回归，应用范围一点不亚于线性回归，甚至有青出于蓝之势。因为logistic回归太好用了，而且太有实际意义了。解释起来直接就可以说，如果具有某个危险因素，发病风险增加2.3倍，听起来多么地让人通俗易懂。线性回归相比之下其实际意义就弱了。logistic回归与线性回归恰好相反，因变量一定要是分类变量，不可能是连续变量。分类变量既可以是二分类，也可以是多分类，多分类中既可以是有序，也可以是无序。二分类logistic回归有时候根据研究目的又分为条件logistic回归和非条件logistic回归。条件logistic回归用于配对资料的分析，非条件logistic回归用于非配对资料的分析，也就是直接随机抽样的资料。无序多分类logistic回归有时候也成为多项logit模型，有序logistic回归有时也称为累积比数logit模型。
3、cox回归，cox回归的因变量就有些特殊，因为他的因变量必须同时有2个，一个代表状态，必须是分类变量，一个代表时间，应该是连续变量。只有同时具有这两个变量，才能用cox回归分析。cox回归主要用于生存资料的分析，生存资料至少有两个结局变量，一是死亡状态，是活着还是死亡？二是死亡时间，如果死亡，什么时间死亡？如果活着，从开始观察到结束时有多久了？所以有了这两个变量，就可以考虑用cox回归分析。
4、poisson回归，poisson回归相比就不如前三个用的广泛了。但实际上，如果你能用logistic回归，通常也可以用poission回归，poisson回归的因变量是个数，也就是观察一段时间后，发病了多少人？或者死亡了多少人？等等。其实跟logistic回归差不多，因为logistic回归的结局是是否发病，是否死亡，也需要用到发病例数、死亡例数。大家仔细想想，其实跟发病多少人，死亡多少人一个道理。只是poission回归名气不如logistic回归大，所以用的人也不如logistic回归多。但不要因此就觉得poisson回归没有用。
5、probit回归，在医学里真的是不大用，最关键的问题就是probit这个词太难理解了，通常翻译为概率单位。probit函数其实跟logistic函数十分接近，二者分析结果也十分接近。可惜的是，probit回归的实际含义真的不如logistic回归容易理解，由此导致了它的默默无名，但据说在社会学领域用的似乎更多一些。
6、负二项回归。所谓负二项指的是一种分布，其实跟poission回归、logistic回归有点类似，poission回归用于服从poission分布的资料，logistic回归用于服从二项分布的资料，负二项回归用于服从负二项分布的资料。说起这些分布，大家就不愿意听了，多么抽象的名词，我也很头疼。如果简单点理解，二项分布你可以认为就是二分类数据，poission分布你可以认为是计数资料，也就是个数，而不是像身高等可能有小数点，个数是不可能有小数点的。负二项分布呢，也是个数，只不过比poission分布更苛刻，如果你的结局是个数，而且结局可能具有聚集性，那可能就是负二项分布。简单举例，如果调查流感的影响因素，结局当然是流感的例数，如果调查的人有的在同一个家庭里，由于流感具有传染性，那么同一个家里如果一个人得流感，那其他人可能也被传染，因此也得了流感，那这就是具有聚集性，这样的数据尽管结果是个数，但由于具有聚集性，因此用poission回归不一定合适，就可以考虑用负二项回归。既然提到这个例子，用于logistic回归的数据通常也能用poission回归，就像上面案例，我们可以把结局作为二分类，每个人都有两个状态，得流感或者不得流感，这是个二分类结局，那就可以用logistic回归。但是这里的数据存在聚集性怎么办呢，幸亏logistic回归之外又有了更多的扩展，你可以用多水平logistic回归模型，也可以考虑广义估计方程。这两种方法都可以处理具有层次性或重复测量资料的二分类因变量。
7、weibull回归，有时中文音译为威布尔回归。weibull回归估计你可能就没大听说过了，其实这个名字只不过是个噱头，吓唬人而已。上一篇说过了，生存资料的分析常用的是cox回归，这种回归几乎统治了整个生存分析。但其实夹缝中还有几个方法在顽强生存着，而且其实很有生命力，只是国内大多不愿用而已。weibull回归就是其中之一。cox回归为什么受欢迎呢，因为它简单，用的时候不用考虑条件（除了等比例条件之外），大多数生存数据都可以用。而weibull回归则有条件限制，用的时候数据必须符合weibull分布。怎么，又是分布？！估计大家头又大了，是不是想直接不往下看了，还是用cox回归吧。不过我还是建议看下去。为什么呢？相信大家都知道参数检验和非参数检验，而且可能更喜欢用参数检验，如t检验，而不喜欢用非参数检验，如秩和检验。那这里的weibull回归和cox回归基本上可以说是分别对应参数检验和非参数检验。参数检验和非参数检验的优缺点我也在前面文章里通俗介绍了，如果数据符合weibull分布，那么直接套用weibull回归当然是最理想的选择，他可以给出你最合理的估计。如果数据不符合weibull分布，那如果还用weibull回归，那就套用错误，肯定结果也不会真实到哪儿去。所以说，如果你能判断出你的数据是否符合weibull分布，那当然最好的使用参数回归，也就是weibull回归。但是如果你实在没什么信心去判断数据分布，那也可以老老实实地用cox回归。cox回归可以看作是非参数的，无论数据什么分布都能用，但正因为它什么数据都能用，所以不可避免地有个缺点，每个数据用的都不是恰到好处。weibull回归就像是量体裁衣，把体形看做数据，衣服看做模型，weibull回归就是根据你的体形做衣服，做出来的肯定对你正合身，对别人就不一定合身了。cox回归呢，就像是到商场去买衣服，衣服对很多人都合适，但是对每个人都不是正合适，只能说是大致合适。至于到底是选择麻烦的方式量体裁衣，还是图简单到商场直接去买现成的，那就根据你的喜好了，也根据你对自己体形的了解程度，如果非常熟悉，当然就量体裁衣了。如果不大了解，那就直接去商场买大众化衣服吧。
8、主成分回归。主成分回归是一种合成的方法，相当于主成分分析与线性回归的合成。主要用于解决自变量之间存在高度相关的情况。这在现实中不算少见。比如你要分析的自变量中同时有血压值和血糖值，这两个指标可能有一定的相关性，如果同时放入模型，会影响模型的稳定，有时也会造成严重后果，比如结果跟实际严重不符。当然解决方法很多，最简单的就是剔除掉其中一个，但如果你实在舍不得，毕竟这是辛辛苦苦调查上来的，删了太可惜了。如果舍不得，那就可以考虑用主成分回归，相当于把这两个变量所包含的信息用一个变量来表示，这个变量我们称它叫主成分，所以就叫主成分回归。当然，用一个变量代替两个变量，肯定不可能完全包含他们的信息，能包含80%或90%就不错了。但有时候我们必须做出抉择，你是要100%的信息，但是变量非常多的模型？还是要90%的信息，但是只有1个或2个变量的模型？打个比方，你要诊断感冒，是不是必须把所有跟感冒有关的症状以及检查结果都做完？还是简单根据几个症状就大致判断呢？我想根据几个症状大致能能确定90%是感冒了。不用非得100%的信息不是吗？模型也是一样，模型是用于实际的，不是空中楼阁。既然要用于实际，那就要做到简单。对于一种疾病，如果30个指标能够100%确诊，而3个指标可以诊断80%，我想大家会选择3个指标的模型。这就是主成分回归存在的基础，用几个简单的变量把多个指标的信息综合一下，这样几个简单的主成分可能就包含了原来很多自变量的大部分信息。这就是主成分回归的原理。
9、岭回归。岭回归的名称由来我也没有查过，可能是因为它的图形有点像岭。不要纠结于名称。岭回归也是用于处理自变量之间高度相关的情形。只是跟主成分回归的具体估计方法不同。线性回归的计算用的是最小二乘估计法，当自变量之间高度相关时，最小二乘回归估计的参数估计值会不稳定，这时如果在公式里加点东西，让它变得稳定，那就解决了这一问题了。岭回归就是这个思想，把最小二乘估计里加个k，改变它的估计值，使估计结果变稳定。至于k应该多大呢？可以根据岭迹图来判断，估计这就是岭回归名称的由来。你可以选非常多的k值，可以做出一个岭迹图，看看这个图在取哪个值的时候变稳定了，那就确定k值了，然后整个参数估计不稳定的问题就解决了。
10、偏最小二乘回归。偏最小二乘回归也可以用于解决自变量之间高度相关的问题。但比主成分回归和岭回归更好的一个优点是，偏最小二乘回归可以用于例数很少的情形，甚至例数比自变量个数还少的情形。听起来有点不可思议，不是说例数最好是自变量个数的10倍以上吗？怎么可能例数比自变量还少，这还怎么计算？可惜的是，偏最小二乘回归真的就有这么令人发指的优点。所以，如果你的自变量之间高度相关、例数又特别少、而自变量又很多（这么多无奈的毛病），那就现在不用发愁了，用偏最小二乘回归就可以了。它的原理其实跟主成分回归有点像，也是提取自变量的部分信息，损失一定的精度，但保证模型更符合实际。因此这种方法不是直接用因变量和自变量分析，而是用反映因变量和自变量部分信息的新的综合变量来分析，所以它不需要例数一定比自变量多。偏最小二乘回归还有一个很大的优点，那就是可以用于多个因变量的情形，普通的线性回归都是只有一个因变量，而偏最小二乘回归可用于多个因变量和多个自变量之间的分析。因为它的原理就是同时提取多个因变量和多个自变量的信息重新组成新的变量重新分析，所以多个因变量对它来说无所谓。
看了以上的讲解，希望能对大家理解回归分析的运用有些帮助。
以上是小编为大家分享的关于回归分析的认识及简单运用的相关内容，更多信息可以关注环球青藤分享更多干货