統計データマイニングの手法は何ですか？

統計データマイニングには、次のようなさまざまな手法があります-

回帰 −これらのアプローチは、変数が数値である1つ以上の予測変数（独立）から応答（従属）変数の値を予測するために使用されます。回帰には、線形、多重、加重、多項式、ノンパラメトリック、ロバストなど、いくつかの形式があります（ロバスト手法は、エラーが正常条件を満たさない場合、またはデータに有意な外れ値が含まれる場合に役立ちます）。

一般化線形モデル −これらのモデル、およびそれらの一般化（一般化された加法モデル）により、線形回帰を使用した数値応答変数のモデリングなど、カテゴリ応答変数（またはその変換）を一連の予測変数に関連付けることができます。一般化線形モデルには、ロジスティック回帰とポアソン回帰が含まれています。

分散分析 −これらの方法は、数値応答変数と1つ以上のカテゴリ変数（因子）によって定義された2つ以上の母集団の実験データを分析します。一般に、ANOVA（単一因子分散分析）問題には、k個の母集団の比較が含まれるか、平均の少なくとも2つが異なるかどうかを判断するための処理が定義されます。

混合効果モデル −これらのモデルは、グループ化されたデータ（1つ以上のグループ化変数ごとに分類できるデータ）を分析するためのものです。これらは通常、応答変数と、1つ以上の要因に従って組み合わされたデータ内のいくつかの共変量との間の関係を定義します。マルチレベルデータ、反復測定データ、ブロック設計、縦断データなどの一般的なアプリケーション分野。

因子分析 −このメソッドは、特定の因子を作成するためにどの変数をマージするかを決定できます。たとえば、一部の精神医学データでは、関心のある特定の要因（知能を含む）を直接測定することは不可能です。ただし、関心のある要素を反映する他の量（学生のテストスコアを含む）の測定には適用できます。ここでは、どの変数も従属変数として指定されていません。

判別分析 −このメソッドは、カテゴリ別の応答変数を予測できます。一般化線形モデルとは異なり、独立変数が多変量正規分布に従うことを意味します。

このプロセスは、応答変数によって表されるグループを判別するいくつかの判別関数（独立変数の線形セット）を判別しようとします。判別分析は一般的に社会科学で使用されます。

時系列分析 −自己回帰法、単変量ARIMA（自己回帰和分移動平均）モデリング、ロングメモリ時系列モデリングなど、時系列データを分析するための統計手法がいくつかあります。

生存分析 −生存分析には、確立された統計手法がいくつか存在します。これらの方法は当初、治療を受けている患者が少なくとも時間tまで生き残ることができる確率を予測するために設計されました。