文档介绍：数据分析与挖掘重点整理
名词解释5*
1、 逐步筛选策略：多元线性冋归，存在解释变量应以怎样的策略和顺序进入方 程及方程屮多个解释变量之间是否存在多重共线的问题。该策略在向前筛选 策略的基础上，结合向后筛选策略，在每个变量进入方程后再判断是否存在 可以剔除方程的变量。（该策略在引入变量的每一个阶段都提供了再剔除不 显著变量的机会，摒弃了向前筛选策略方法屮变量一旦进入回归方程就不会 被剔除的弊端。在一定程度上解决了变量之间存在的多重共线问题。）
2、 时间序列的季节变动：指一年或更短的时间之内，由于受某种固定周期性因 素（如自然、生产、消费等季节性因素）的影响而呈现出有规律的周期性波动。
3、 时间序列的循环变动：通常是指周期为一年以上，由非季节因素引起的涨落 起伏波形相似的波动。
4、 序列相关性（回归分析检验中的DW检验人一元及多元线性冋归模型假定 随机误差项是不相关的，如果一个回归模型的随机误差项之间相关，即相关 系数不为零，则称随机误差项之间存在着序列相关现象。这种札I关现象不是 指两个和两个以上的变量之间的关系血是指一个变量前后期数值Z间存在 的相关关系。
简答1（F （包括对输出结果的解释，代表什么意义）
1、 怎样判定样本数据是否适合进行因子分析
在进行因子分析之前，首先考察收集到的原有变量之间是否存在一定的线性关 系，是否适合采用因子分析提取因子。可以借助变量的相关系数矩阵和KMO检 验方法进行分析。如果大多数变量之间的相关系数都比较高，能够从屮提取公共 因子，则适合进行因子分析；根据KMO度量标准，KMO值越接近于1,变量 间的相关性越强，越适合进行因子分析；越接近于0,变量间的相关性越弱，越 不适合做因子分析。（例子：,说明变量间的相关 性比较强，比较适合做因子分析。）
2、 回归分析中，什么是多重共线性？有两个指标来反映多重共线性，这两个指 标如何反映多重共线性
多重共线性是指解释变量之间存在线性相关关系的现象，解释变量间高度的 多重共线性会给评价自变量的贡献率带来困难，因而要进行共线性诊断，并且确 定它们对参数估计的影响。采用容忍度（Tolerance）和方差膨胀因子（VTF）两 个统计量来检测多重共线性问题。
若容忍Jg（Tolerance）和方差膨胀因子（VIF）均为1,说明各解释变量之间不存 在多重共线性|问题。容忍度的取值范围在0〜1之间，越接近于0表示多重共线 性越强，越接近于1,表示多重共线性越弱；方差膨胀因子是容忍度的倒数，其 值大于等于1,其值越接近于1,解释变量间的多重共线性越弱，若其值远远大 于1,则共线性越强。
3、 异方差性中，观察一个表中哪个值取什么时异方差性显著，取什么时异方差 性不显著（应该是观察表的题）？ ？ ？理解下吧。。
残差的并方差检验
通过各解释变量与残差的Spearman等级相关分析，：
Spearman相关分析
Correlations
FAC1 1
FAC2 1
Stan dardized Residual
Spearman^ rho FAC1_1
Correlation Coefficier
-.333
-.077
Sig. (2-tailed)