回归分析和聚类分析

回归分析：

A）直线回归：

   如果回归分析中的残差服从正态分布（大样本时无需正态性），残差与自变量无趋势变化，则直线回归（单个自变量的线性回归，称为简单回归），否则应作适当的变换，使其满足上述条件。

B) 多重线性回归：

   应变量（Y）为连续型变量（即计量资料），自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。如果回归分析中的残差服从正态分布（大样本时无需正态性），残差与自变量无趋势变化，可以作多重线性回归。
1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

线性回归

C) 二分类的Logistic回归：

   应变量为二分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。
    1、非配对的情况：用非条件Logistic回归
     (1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
     (2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用
    2、配对的情况：用条件Logistic回归
    (1)观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
    (2)实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

Logistic回归

D) 有序多分类有序的Logistic回归：

  应变量为有序多分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。
   1、观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
   2、实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

E) 无序多分类有序的Logistic回归：

  应变量为无序多分类变量，自变量（X1，X2，…，Xp）可以为连续型变量、有序分类变量或二分类变量。
   1、观察性研究：可以用逐步线性回归寻找（拟）主要的影响因素
   2、实验性研究：在保持主要研究因素变量（干预变量）外，可以适当地引入一些其它可能的混杂因素变量，以校正这些混杂因素对结果的混杂作用

F）聚类分析：

  聚类分析是将随机现象归类的多元统计方法，在生物医学之中，聚类分析已成为挖掘海量信息的首选工具。测量n个样本的m个变量，可以进行指标聚类（R型聚类）和样品聚类（Q型聚类）。计算类间的相似系数是进行聚类分析的关键。

上图是聚类分析的树状图