外觀
Statistics › 多變量分析
多變量分析 (Multivariate Analysis)
同時分析三個以上變數的關係。雙變數問「X 與 Y 有關嗎?」;多變量問「許多變數如何一起變動、如何共同解釋結果?」基因表現矩陣、多組學 (multi-omics)、影像特徵都是典型的高維多變量資料。
建議順序
text
線性代數直覺 → 多變量 EDA → 降維(PCA)→ 分群 → 判別分析(LDA)→ 診斷降維通常在分群與迴歸之前:直接處理高維原始資料會放大雜訊、增加計算量、難以解讀。
筆記
| 筆記 | 內容 | 回答的問題 |
|---|---|---|
| 線性代數基礎 | 向量、矩陣、特徵值、共變異矩陣 | 怎麼用矩陣思考多變量資料? |
| 多變量 EDA | 相關矩陣、pairplot、平行座標、Simpson's paradox | 建模前資料有什麼結構? |
| 主成分分析 (PCA) | 特徵分解、scree plot、loadings、biplot | 怎麼把相關變數壓成少數軸? |
| 分群 | 方法概觀、選 k、描述與驗證各群 | 沒有標籤時資料有哪些群? |
| 線性判別分析 (LDA) | 判別軸、LDA vs PCA、LDA vs 邏輯斯迴歸 | 怎麼找出最能分開類別的方向? |
| 模型假設與診斷 | 殘差、共線性、影響點、分群與 PCA 的檢查 | 模型假設成立嗎? |
| 結構方程模型 (SEM)(選讀) | 潛在變數、CFA、lavaan | 怎麼檢定潛在變數模型? |
迴歸的完整基礎在 迴歸分析;以預測為目的、變數很多時見 ML:正則化 與 高維小樣本;這裡著重多變量工作流程中的應用。ML 版本見 ML: Dimensionality Reduction、ML: Clustering。