- 追加された行はこの色です。
- 削除された行はこの色です。
#author("2023-01-31T15:12:43+09:00","default:inoue.ko","inoue.ko")
#author("2023-01-31T15:33:08+09:00","default:inoue.ko","inoue.ko")
*多変量解析
Multivariate Analysis
~
複数の結果変数からなる多変量データを統計的に扱う手法で、その目的には大きく「予測」と「要約」の２種類があります。一般に、多変量解析は計算量が膨大になるため、コンピュータの活用が必須となります。
~
~
**概要
***予測の手法
独立変数と従属変数の関係を明確にし、一方の情報から他方を予測します。[[機械学習>MachineLearning]]では教師あり学習にあたります。
-独立変数が数量的で、従属変数も数量的な場合
＞ 重回帰分析
-独立変数が数量的で、従属変数がカテゴリ変数の場合
＞ 判別分析、ロジスティック回帰
＞ 判別分析、__[[ロジスティック回帰>LogisticRegression]]__
-独立変数がカテゴリ変数で、従属変数が数的な場合
＞数量化I類((飲酒の有/無、喫煙の有/無などを1/0で表し、◯◯病になる「確率」やを予測する・・などが数量化I類にあたります。))
-独立変数がカテゴリ変数で、従属変数もカテゴリ変数の場合
＞数量化II類((男/女、年代、喫煙の有/無などから、◯◯病を発症する / しない・・などの予測をするのが数量化II類です。))
~
***要約の手法
要約の手法には、従属変数（目的変数）の概念はなく、データの種類によって手法が分かれます。[[機械学習>MachineLearning]]では教師なし学習にあたります。
-変数が数量的な場合
＞ 主成分分析、因子分析、クラスター分析
＞ __[[主成分分析>PrincipalComponentAnalysis]]__、因子分析、クラスター分析
-変数がカテゴリーの場合
＞数量化III類・コレスポンデンス分析((主成分分析と同じ目的で使う手法で変数を要約します。変数が 1/0 のデータの場合は数量化Ⅲ類、クロス集計表などの量的データの場合はコレスポンデンス分析（対応分析）といわれます。))、MDS（多次元尺度構成法）
~
~
**APPENDIX
***関連ページ
-[[Statistics]]
--[[Statistics/Descriptive]]
--[[Statistics/Inferential]]
--[[Statistics/Probability]]
--[[Statistics/HypothesisTesting]]
--[[Statistics/Bayesian]]
--[[Statistics/MultivariateAnalysis]]
-[[DataScience]]
-[[ArtificialIntelligence]]
-[[ArtificialIntelligence/Links]]
-[[Data]]
-[[Statistics]]
-[[DataVisualization]]
-[[MachineLearning]]
--[[DecisionTree]]
--[[k-means]]
--[[LinearRegression]]
--[[LogisticRegression]]
--[[NeuralNetwork]]
--[[PrincipalComponentAnalysis]]
--[[RandomForest]]
--[[SupportVectorMachine]]
-[[DataMining]]
-[[Python]]
--[[Pandas]]
--[[scikit-learn]]
-[[GoogleColaboratory]]
-[[Orange]]
-[[OpenData]]
~
~
~
