数据挖掘讲义完整版.pdf

2013年6月3 日 软件培训之家软件培训之家 激素水平影响因素分析 @文彤老师 软件培训之家软件培训之家 案例背景介绍 2 软件培训之家 研究背景 • 在某个消化内科的科研项目中，研究者认为某种激素 水平可能会对胃癌的发生有一定的作用，因此设计了 此项研究，将病人按照临床病理诊断结果分为对照组 和试验组（出现病变组）两组，并采集了如下指标： • 性别：男、女。 • 年龄：除记录实际年龄外，还根据临床研究的习惯，按照 45岁、45～59岁、60岁及以上分为青年、中年、老年三组。 • 上述指标在两组间有大致的配额控制，但并未完全均衡。 • 此外，对于试验组，还进行了如下实验室检查： • 萎缩程度：分为轻、中、重度三级。 • 胃粘膜细胞肠化生程度：分为无、轻度、中度、重度四级。 3 1 2013年6月3 日 软件培训之家 研究背景 • 研究者希望回答的研究问题如下： • 总目标：在控制了其他因素的作用之后，激素水平是否 的确在两组间存在差异。 • 基于目标，又可进一步衍生出如下分目标： • 分目标1 ：激素水平和年龄、性别等有无关联。 • 分目标2 ：在试验组中，激素水平和粘膜萎缩程度、肠 化生程度等是否有关。 4 软件培训之家 基本研究思路 • 确定研究问题所从属的统计框架 • 因变量的影响因素发现与确认？ • 进一步深入到变量预测问题？ • 变量间的内在关联结构发现？ • 元素分组/归类问题？ • 确定研究设计类型 • 成组设计？ • 配对/配伍设计？ • 更复杂的设计类型，比如嵌套设计？ • 核心研究指标确定 • 关键影响因素指标确定 5 软件培训之家 分析思路/商业理解 • 本例是一个比较典型的要求控制其余影响因素下 的两组数据比较。因此从基本思路上应当属于影 响因素发现与确认的范畴，绝大多数情况下，此 类问题的分析流程如下： • 在数据理解的基础上，先进行单个因素对应变量的影响 大小分析，对可能需要控制的其他影响因素进行预筛， 并提前发现可能和因变量存在曲线关联的连续性自变量， 以便后续分析中做出相应的数据准备和建模变换。 • 根据单因素分析的结果，尝试构建多因素模型，从而在 控制其余影响因素的同时，得到分组变量是否对因变量 有影响的结论。 • 继续深入分析，依次回答各个分目标。 6