变量

回归模型是根据一个或多个变量X来预测另一个变量Y。变量Y被称为因变量、响应变量或结果变量。变量X被称为自变量、解释变量或预测变量。

每个X变量可以是实验者操纵的数值、实验者选择或分配的处理方式，或是实验者测量的数值。

每个独立变量可以是：连续型（例如，年龄、血压、体重）或分类型（例如，性别，其取值为男性和女性；或细胞系，其取值为HeLa、HEK 298、CHO和Jurkat）。 当使用分类变量时，必须使用多种方法之一对其进行“编码”（下文将详细说明）。请注意，当将分类变量纳入回归模型时，Prism 会自动对其进行编码，因此无需手动进行此操作。

参数

多元回归模型将因变量定义为独立变量与一组参数（也称为回归系数）的函数。回归方法旨在寻找使模型预测结果尽可能接近实际数据的各参数值。 这种方法类似于线性回归，后者通过确定斜率和截距的值（即模型的两个参数或回归系数），使模型对Y的预测尽可能贴近X的数据。

简单回归与多元回归

简单回归指仅包含一个X变量的模型。多元回归（也称为多变量回归）指包含两个或更多X变量的模型。

单变量与多变量回归

尽管这超出了本指南的范围，但确实存在能够同时分析多个因变量（Y变量）的方法。这些方法被称为多变量方法，包括因子分析、聚类分析、主成分分析和多重方差分析（MANOVA）。这些方法与仅处理单个因变量的单变量方法形成对比。

请注意，“多变量”和“单变量”这两个术语的使用并不一致。有时，“多变量”用于指代具有一个因变量和多个独立变量的多变量方法（即多重回归和逻辑回归）；而有时，“单变量”则用于指代仅有一个独立变量的简单回归。

线性和非线性回归

Prism 仅执行多元线性回归。这意味着每个参数与 Y 之间呈线性关系。如果您绘制一张图表，显示在保持所有 X 值和其他参数恒定的情况下，Y 随任一参数的变化而变化的情况，该图表将是一条直线。

当然，完全可以构建包含一个因变量 Y 和多个自变量 X 的模型，其中 X 与 Y 通过非线性函数相关联。但 Prism 目前尚不支持非线性多元回归。如果您认为此功能对您有帮助，请详细告知我们。

变量编码（“虚拟编码”）

分类变量是指只能取有限数量的可能值（称为“水平”）之一的变量。例如，“汽车制造商”可以是一个分类变量，其水平包括“福特”、“丰田”、“道奇”、“现代”等。 然而，回归模型依赖于变量具有数值才能进行必要的计算。因此，为了将分类变量纳入回归模型，必须将其转换为仅由数值组成的变量（更准确地说是一组变量）。