可生成图片类型（推荐）
可生成数据表类型（推荐）
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
||
| 第21行： | 第21行： | ||
|nodeavailabletablelist=Table_For_Downstream | |nodeavailabletablelist=Table_For_Downstream | ||
|nodeconfiguration=VariableList | |nodeconfiguration=VariableList | ||
|nodeinputports=WorkFlow-Control | |nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■ | ||
|nodeoutputports=WorkFlow-Control | |nodeoutputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■ | ||
|statsapewikiurl=https://wiki.statsape.com/碎石检验 | |statsapewikiurl=https://wiki.statsape.com/碎石检验 | ||
|previousnode=[[最大似然因子分析]] | |previousnode=[[最大似然因子分析]] | ||
2023年12月8日 (五) 14:11的版本
 | |
| 节点状态 | PC可用
在 V1.0部署
|
|---|---|
碎石检验  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | 碎石检验 |
| 功能主类别 | 数据分析 |
| 英文缩写 | Scr_Test |
| 功能亚类别 | 多元分析 |
| 节点类型 | 数据挖掘 |
| 开发语言 | R |
| 节点简介 | |
碎石检验（scree test）是根据碎石图来决定因素数的方法。在主轴因素法中，公共因素的方差贡献等于该因素对应的特征根的值，计算累积方差贡献率可用计算累积特征根百分比来代替，甚至可通过直接观察特征根的变化来决定因素数。结果图显示在不同因子数量的情况下的累计方差贡献率，用于选择合适的因子数。点设计的R语言例子。 用途：用于确定应该保留多少个因子或主成分。在因子分析中，Scree Test 用于确定应该保留多少个潜在因子。在主成分分析中，Scree Test 同样用于确定应该保留多少个主成分。 参数：选择连续型数值变量 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 3个 |
| Output-出口 | 3个 |
| Loop-支持循环 | 是 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
| 相关节点 | |
| 上一节点 | 最大似然因子分析 |
| 下一节点 | 多重插补 |
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
