广义估计方程 高斯：修订间差异

来自决策链云智库
（创建页面，内容为“{{Infobox nodebasic|nodename=广义估计方程_高斯|nodeimage=Generalized Estimating Equation_Gaussian.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在 V1.0部署|nodeenglishname=Has english name::Generalized Estimating Equation_Gaussian|abbreviation=GEE_Gaussian|funcmaincategory=数据分析|funcsubcategory=DataAGM Lv1 Cat::回归分析|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescription=<p>…”）
 
无编辑摘要
第1行： 第1行：
{{Infobox nodebasic|nodename=广义估计方程_高斯|nodeimage=Generalized Estimating Equation_Gaussian.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在[[DecisionTree | V1.0]]部署|nodeenglishname=[[Has english name::Generalized Estimating Equation_Gaussian]]|abbreviation=GEE_Gaussian|funcmaincategory=数据分析|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescription=<p>广义估计方程是一种研究纵向数据(比如重复测量数据,面板数据)的方法。用于估计广义线性模型的参数,其中线性模型的结果之间可能存在未知的相关性, 对于纵向数据,不满足方差分析条件的重复测量设计资料可以采用广义估计方程来进行分析。纵向数据是按时间顺序对个体进行重复测量得到的资料高斯分布又名正态分布, 这里属于一种线性回归, 是一种研究影响关系的方法，利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。在线性回归中,数据使用线性预测函数来建模,并且未知的模型参数也是通过数据来估计。\n用途：用于处理重复测量数据和其他复杂数据结构。可以处理连续性响应变量的重复测量数据，尤其是当数据中存在复杂的相关性结构时。\n参数：选择连续型高斯分布因变量，ID变量，和自变量</p>|nodeinputnumber=5|nodeoutputnumber=2|nodeloopsupport=是|nodeifswitchsupport=否|nodeavailableplotlist=FR_Curve_Plot;RegressionCoefficientPlot|nodeavailabletablelist=Table_For_Downstream|nodeconfiguration=VariableList;DropManu|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■|statsapewikiurl=https://wiki.statsape.com/广义估计方程_高斯_Plus|previousnode=[[广义相加模型_逻辑]]|nextnode=[[广义估计方程_逻辑]]}}{{Navplate AlgorithmNodeList}}[[Category:回归分析]]
{{Infobox nodebasic  
|nodename=广义估计方程_高斯
|nodeimage=Generalized Estimating Equation_Gaussian.png
|developer=Dev.Team-DPS
|productionstate=PC可用
|productionstatedesc=在[[DecisionLinnc | V1.0]]部署
|nodeenglishname=[[Has english name::Generalized Estimating Equation_Gaussian]]
|abbreviation=[[Has abbreviation::GEE_Gaussian]]
|funcmaincategory=数据分析
|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]
|nodecategory=数据挖掘
|nodeinterpretor=R
|nodeshortdescription=<p>广义估计方程是一种研究纵向数据(比如重复测量数据,面板数据)的方法。用于估计广义线性模型的参数,其中线性模型的结果之间可能存在未知的相关性, 对于纵向数据,不满足方差分析条件的重复测量设计资料可以采用广义估计方程来进行分析。</p><p>纵向数据是按时间顺序对个体进行重复测量得到的资料高斯分布又名正态分布, 这里属于一种线性回归, 是一种研究影响关系的方法，利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。在线性回归中,数据使用线性预测函数来建模,并且未知的模型参数也是通过数据来估计。</p><p>用途：用于处理重复测量数据和其他复杂数据结构。可以处理连续性响应变量的重复测量数据，尤其是当数据中存在复杂的相关性结构时。</p><p>参数：选择连续型高斯分布因变量，ID变量，和自变量</p>
|nodeinputnumber=5
|nodeoutputnumber=2
|nodeloopsupport=是
|nodeifswitchsupport=否
|nodeavailableplotlist=FR_Curve_Plot;RegressionCoefficientPlot
|nodeavailabletablelist=Table_For_Downstream
|nodeconfiguration=VariableList;DropManu
|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■
|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■
|statsapewikiurl=https://wiki.statsape.com/广义估计方程_高斯
|previousnode=[[广义相加模型_逻辑]]
|nextnode=[[广义估计方程_高斯]]
}}
 
 
{{Navplate AlgorithmNodeList}}
 
[[Category:回归分析]]

2023年12月4日 (一) 22:06的版本

Generalized Estimating Equation Gaussian.png
节点状态
PC可用
在 V1.0部署
广义估计方程_高斯
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名广义估计方程 高斯
功能主类别数据分析
英文缩写GEE_Gaussian
功能亚类别回归分析
节点类型数据挖掘
开发语言R
节点简介

广义估计方程是一种研究纵向数据(比如重复测量数据,面板数据)的方法。用于估计广义线性模型的参数,其中线性模型的结果之间可能存在未知的相关性, 对于纵向数据,不满足方差分析条件的重复测量设计资料可以采用广义估计方程来进行分析。

纵向数据是按时间顺序对个体进行重复测量得到的资料高斯分布又名正态分布, 这里属于一种线性回归, 是一种研究影响关系的方法，利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。在线性回归中,数据使用线性预测函数来建模,并且未知的模型参数也是通过数据来估计。

用途：用于处理重复测量数据和其他复杂数据结构。可以处理连续性响应变量的重复测量数据，尤其是当数据中存在复杂的相关性结构时。

参数：选择连续型高斯分布因变量，ID变量，和自变量

端口数量与逻辑控制(PC)
Input-入口5个
Output-出口2个
Loop-支持循环是
If/Switch-支持逻辑判断否
输入输出
可生成图片类型（推荐）
可生成数据表类型（推荐）
相关节点
上一节点广义相加模型_逻辑
下一节点广义估计方程_高斯
WikimediaUI-Globe.svg相关网站



属性“Nodeicon”（作为页面类型）与输入值“File:”包含无效字符或不完整，并因此在查询或注释过程期间导致意外结果。


查找其他类别的节点，请参考以下列表

取自“https://wiki.statsape.com/index.php?title=广义估计方程_高斯&oldid=2444”
最近修改
此页面最后编辑于2023年12月4日 (星期一) 22:06。
版权
DecisionLinnc Wiki (决策链云智库) © 2024 by Statsape is licensed under Attribution-NonCommercial-ShareAlike 4.0 International. To view a copy of this license, visit [http://creativecommons.org/licenses/by-nc-sa/4.0/| CreativeCommons-Licenses-4.0].