变异性

回归模型通过一个或多个其他变量 X 预测一个变量 Y。Y 变量称为依赖度变量、响应变量或结果变量。X 变量称为自变量、解释变量或预测因子变量。

每个 X 变量可以是实验者操纵的一个值、实验者选择或分配的一种处理方法，也可以是实验者测量的一个值。

每个自变量可以是：连续性变量（如年龄、血压、体重）或分类变量（如性别变量中的男性和女性，或细胞系变量中的 HeLa、HEK 298、CHO 和 Jurkat）。当使用变异性变量时，必须使用多种方法之一对其进行 "编码"（下文将详细介绍）。请注意，Prism 会自动对回归模型中的变异性变量进行编码，因此无需自己进行编码。

参数

多元回归模型将因变量定义为自变量和一组参数（也称为回归系数）的函数。回归方法可以找到每个参数的值，使模型预测尽可能接近数据。这种方法类似于线性回归，即确定斜率和截距（模型的两个参数或回归系数）的值，使模型尽可能地从 X 预测 Y。

简单回归与多元回归

简单回归指的是只有一个 X 变异性的模型。多元回归也叫多变量回归，指的是有两个或两个以上 X变异性的模型。

单变量回归与多变量回归

虽然这些方法超出了本指南的范围，但确实存在可以同时分析多个结果（Y 变异性）的方法。这些方法称为多元方法，包括因子分析、聚类分析、主成分分析和多重方差分析（MANOVA）。这些方法与单变量方法截然不同，后者只处理单个 Y 变量。

请注意，多变量和单变量这两个术语的用法并不一致。有时多变量是指有一个结果和多个自变量的多变量方法（即多元回归和逻辑回归）。而有时单变量是指只有一个自变量的简单回归。

线性和非线性多元线性回归

Prism 只执行线性多元线性回归。这意味着每个参数都与 Y 成线性关系。如果绘制 Y 随参数变化而变化的曲线图（同时保持所有 X 值和所有其他参数不变），曲线图将是一条直线。

当然，也可以通过非线性函数来编写一个 Y 变异性和多个与 Y 相关的 X 值的模型。但 Prism 目前还不能执行多重非线性回归。如果这对您有帮助，请告诉我们详情。

变异性编码（"虚拟编码"）

变异性是指那些具有有限数量的可能值（称为 "等级"）的变量。本示例中，"汽车制造商 "可以是一个分类变量，其级别为 "福特"、"丰田"、"道奇"、"现代 "等。然而，回归模型依赖于变量具有数字来执行必要的计算。因此，为了将分类变量纳入回归模型，必须将其转换为仅由数字组成的变量（更准确地说，是一组变量）。