1、对数变换 即将原始数据X的对数值作为新的分布数据：
X’=lgX
当原始数据中有小值及零时，亦可取X’=lg（X+1）
还可根据需要选用X’=lg（X+k）或X’=lg（k-X）
对数变换常用于（1）使服从对数正态分布的数据正态化。如环境中某些污染物的分布，人体中某些微量元素的分布等，可用对数正态分布改善其正态性。
（2）使数据达到方差齐性，特别是各样本的标准差与均数成比例或变异系数CV接近于一个常数时。
2、平方根变换 即将原始数据X的平方根作为新的分布数据。
X’=sqrt（X）
平方根变换常用于：
1）使服从Poission分布的计数资料或轻度偏态资料正态化，可用平方根变换使其正态化。2）当各样本的方差与均数呈正相关时，可使资料达到方差齐性。
3）倒数变换 即将原始数据X的倒数作为新的分析数据。
X’=1/X
常用于资料两端波动较大的资料，可使极端值的影响减小。
4、平方根反正旋变换 即将原始数据X的平方根反正玄值做为新的分析数据。
X’=sin-1sqrt（X）
常用于服从二项分布的率或百分比的资料。一般认为等总体率较小如＜30%时或较大（如＞70%时），偏离正态较为明显，通过样本率的平方根反正玄变换，可使资料接近正态分布，达到方差齐性的要求。
其实应该说是最大似然法和最小二乘法的区别吧。采用OLS的回归分析方法存在几方面的限制：
（1）不允许有多个因变量或输出变量
（2）中间变量不能包含在与预测因子一样的单一模型中
（3）预测因子假设为没有测量误差
（4）预测因子间的多重共线性会妨碍结果解释
（5）结构方程模型不受这些方面的限制
SEM的优点：
（1）SEM程序同时提供总体模型检验和独立参数估计检验；
（2）回归系数，均值和方差同时被比较，即使多个组间交叉；
（3）验证性因子分析模型能净化误差，使得潜变量间的关联估计较少地被测量误差污染；
（4）拟合非标准模型的能力，包括灵活处理追踪数据，带自相关误差结构的数据库（时间序列分析），和带非正态分布变量和缺失数据的数据库。
构方程模型最为显著的两个特点是：
（1）评价多维的和相互关联的关系；
（2）能够发现这些关系中没有察觉到的概念关系，而且能够在评价的过程中解释测量误差。
1、最小二乘法的典型应用是求解一套x和y的成对数据对应的曲线（或者直线）方程。
其思想是：设y和x之间的关系可以用一个公式在表示，但其系数为待定系数。然后，将各个点的实测数据与计算求得的数据相减，得到“误差”或者不符值（有正有负，但其平方都是正的），将这些不符值的平方相加，得到总的“误差”。通过调整公式中的各个系数，使得误差平方和最小，那么就确定了y和x之间的方程的最好结果。求解最小二乘问题的过程中没有提及概率问题。
2、而极大似然估计值，是用于概率领域的一种方法，和最小二乘法是两个领域的。这种方法是应用求极大值的方法，让某一个公式求导值为0，再根据情况判断该极值是否是合乎要求。极大似然估计法可以用于正态分布中 μ, σ2的极大似然估计。极大似然估计法就是要选取类似的数值作为参数的估计值，使所选取的样本在被选的总体中出现的可能性为最大。
1、在实际遇到的许多随机现象都服从或近似服从正态分布。当样本频率分布直方图就无限接近于一条总体密度曲线，总体密度曲线较科学地反映了总体分布。
但总体密度曲线的相关知识较为抽象，学生不易理解，因此在总体分布研究中我们选择正态分布作为研究的突破口。正态分布在统计学中是最基本、最重要的一种分布。
2、正态分布是可以用函数形式来表述的。正态分布是由它的平均数μ和标准差σ唯一决定的。
3、从形态上看，正态分布是一条单峰、对称呈钟形的曲线，其对称轴为x=μ，并在x=μ时取最大值。从x=μ点开始，曲线向正负两个方向递减延伸，不断逼近x轴，但永不与x轴相交，因此说曲线在正负两个方向都是以x轴为渐近线的。
4、通过三组正态分布的曲线，可知正态曲线具有两头低、中间高、左右对称的基本特征。
5、由于正态分布是由其平均数μ和标准差σ唯一决定的，因此从某种意义上说，正态分布就有好多好多，这给我们深入研究带来一定的困难。
许多正态分布中，重点研究N（0，1），其他的正态分布都可以通过转化为N（0，1），我们把N（0，1）称为标准正态分布，其密度函数为，x∈（-∞，+∞），从而使正态分布的研究得以简化。
6、结合正态曲线的图形特征，归纳正态曲线的性质。正态曲线的作图较难，教科书没做要求，授课时可以借助几何画板作图，学生只要了解大致的情形就行了，关键是能通过正态曲线，引导学生归纳其性质。
欢迎分享，转载请注明来源：夏雨云
微信扫一扫
支付宝扫一扫
评论列表（0条）