因子分析

因子分析（Factor Analysis，FA） 用少数几个假象变量来表示其根本的数据结构，能反应原来众多变量的主要信息。因子分析的前提条件是观测变量间有较强的相关性，这样才能有共享因子。 高中生成绩分析 步骤 选择分析变量 计算所选原始变量的相关系数矩阵 提取公共因子，确定因子数目 因子旋转，解释因子 计算因子得分 模型 本文的变量名大体可分为三种：大

相关系数矩阵 因子分析

主成分分析

主成分分析（Principal Component Analysis，PCA） 目的是用较少的变量代表解释原有的变量。将相关性高的变量转换为相互独立的变量[1]。 原理：降维，有关联的变量反映的信息有一定的重叠。对于原有变量，将重复的变量（关系紧密的变量）删去，建立尽可能少的新变量，使得新变量是两两不相关的[3]，且能尽可能保持原有的信息（方差最大化）和解释原有变量，使样本具有相对较好的区分性

主成分分析 相关系数矩阵

聚类分析

聚类分析（Cluster Analysis） 又称为群分析，是对多个样本(或指标)进行定量分类的一种多元统计分析。对样本进行分析称为Q型聚类分析，对指标进行分类称为R型聚类分析[1]。聚类与分类的不同在于，聚类所要求划分的类是未知的。 聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性[2]。组内相似性越大，组间差距越大，说明聚类

类距离 K-均值聚类 层次聚类 DBSCAN算法

分类模型

判别分析是在已知研究对象分成若干类型并已经取得各种类型的一批已知样本的观测数据，在此基础上根据某些准则建立判别式，然后对未知类型的样品进行判别分析。 0-1回归 即采用逻辑回归(logistic regressio) 把观测数据作为因变量对虚拟变量(0,1)进行回归，将y看作事件0发生的概率。 模型构造 构造线性概率模型 \[y_{i}=\beta_{0}+\beta_{1} x_{1

0-1回归 Fisher线性判别