文档介绍：CHAID提供了一种在多个自变量中自动搜索能产生最大差异的变量方案。
不同于 C＆R 树和 QUEST节点， CHAID分析可以生成非二进制树，即有些分割有两个以上的分支。
CHAID模型需要一个单一的目标和一个或多， CHAID在缺省状态下将连续变量
自动分为 10 段处理，但是可能有遗漏。
当预测变量是人口统计变量时，研究者可以很快找出不同细分市场特征，免去对交叉分析表归并
与检查之苦。
CHAID的预剪枝
基本参数：
决策树最大深度：如果决策树的层数已经达到指定深度，则停止生长。
树中父节点和子节点所包含的最少样本量或比例：对父节点是指，如果节点的样本量已低于最少样本量或比例，则不再分组；对于子节点是指，如果分组后生成的子节点中的样本量低于最小样本或比例，则不必进行分组。
当输入变量与输出变量的相关性小于一个指定值，则不必进行分组。
CHAID模块的优点：
不像 CART和 QUEST模块， CHAID可产生多分枝的决策树
目标变量可以定距或定类的
从统计显著性角度确定分支变量和分隔值，进而优化树的分枝过程
CHAID是建立在因果关系的探讨中的，依据目标变量实现对输入变量众多水平的划分
例：心脏数据综合诊断数据
现有数据

OVERALL_DIAGNOSIS（综合诊断）
本案例是一个医学心脏病综合诊断报告案例，

目的通过已知的

22 个变量

F1~F22来预测每个病人是否正常。
0- 正常， 1- 异常
卡方检验：
（1）零假设

H 0 ：心脏病检验结果与

F13 变量无关。（

F13 变量对输出变量无影响）
卡方值越大，说明两者有关系可能性越大。
（2）确定自由度：（行数 -1 ） * （列数 -1 ） =1
选择显著水平 =，对应的卡方值 K 为
（3）卡方值 =(48*125 87*7) 2 *267 / (55*212*135*132) =>>
拒绝原假设。故心脏病检验结果与 F13 有关。 ( 卡方值为时，对应的 P 值已趋于 0，
即“心脏病检验结果与 F13 有关”成立的概率趋于 1-0=100%)
建立 CHAID模型
在“建模”中选择 CHAID节点，将其加入数据流中
“TYPE”节点
- “ Range”范围：用来描述数值，如 0-100 或范围。一个范围值可以是一个整数，实数，日期 / 时间。
“ Discrete ”离散：用于不同的字符串数值的确切数目是未知的。这是一个未初始化的数据类型，即对数据的存储和使用的所有可能的信息尚不清楚。一旦数据被读取，类型标志，集，或无类型的，取决于最大集大小属性对话框中指定的流。
“ Flag ”标志：用于具有两个不同值的数据，如 Yes 和 No 或 1