变量

回归模型可基于一个或多个其他变量X，预测一个变量Y。Y变量称为“因变量”、“响应变量”或“结果变量”。X变量称为“自变量”、“解释变量”或“预测变量”。

每个X变量均可以是实验者操纵的值，实验者选择或分配的治疗，或者实验者测量的值。

每个独立变量可以是：连续变量（例如，年龄、血压、体重）或分类变量（例如，性别（男性和女性），或者细胞系（HeLa、HEK 298、CHO和Jurkat））。使用分类变量时，必须使用多种方法之一，对其进行“编码”（详见下文）。请注意，Prism会自动对包含在回归模型中的分类变量进行编码，因此无需手动编码。

参数

多元回归模型将因变量定义为自变量和一组参数的函数，又称“回归系数”。回归方法可获得使模型预测尽可能接近数据的每项参数的值。该方法类似于线性回归，其可以确定斜率和截距（模型的两项参数或回归系数）的值，以使模型尽可能根据X预测Y。

简单回归与多元回归

简单回归是指只有单一X变量的模型。多元回归（又称“多变量回归”）是指有两个或多个X变量的模型。

单变量与多变量回归

虽然其超出了本指南的范围，但确实存在可以同时分析几个结果（Y变量）的方法。这些方法称为“多变量方法”，包括因子分析、聚类分析、主成分分析和多元方差分析（MANOVA）。这些方法不同于单变量方法，后者只处理单一Y变量。

请注意，“多变量”和“单变量”的使用方式不一致。有时，“多变量”是指存在一个结果变量和多个独立变量的多变量方法（即，多元和逻辑回归）。有时，“单变量”是指只有一个自变量的简单回归。

线性与非线性多元回归

Prism仅执行线性多元回归。这意味着每项参数均与Y成线性关系。如果您在更改任何参数时绘制有关Y变化趋势的图表（同时保持所有X值和所有其他参数不变），则该图表将是一条直线。

通过一个非线性函数，当然可以使用一个Y变量和多个与Y相关的X值来创建模型。但Prism尚未进行多元非线性回归。如果这对您有帮助，请详细告诉我们。

可变编码（“虚拟编码”）

分类变量是指选取数量有限的可能值之一的变量（称为“水平”）。例如，“汽车制造商”可以是分类变量，其水平包括“福特”、“丰田”、“道奇”、“现代”。但回归模型依赖于具有数字的变量，以便进行必要计算。因此，为将分类变量纳入回归模型，必须将其转换为仅包含数字的变量（更确切的说法是，一组变量）。