16、深入调查分析与回归模型家族详解

深入调查分析与回归模型家族详解

在调查数据分析领域，我们常常需要运用各种高级分析方法来处理不同类型的数据。本文将介绍如何创建三维柱状图，以及深入探讨回归模型家族中的普通最小二乘法（OLS）回归、逻辑回归和泊松回归。

三维柱状图的创建

在进行调查数据分析时，有时需要通过可视化手段更直观地展示数据。创建如图 4.37 所示的三维柱状图的 Python 代码如下：

# 此处虽未给出完整代码，但创建思路如下
# 数据来自图 4.35 的数据透视表，需进行一定处理
# 定义每个柱子的绘图坐标（X 和 Y 绘图位置，Z 维度在 X - Y 平面的底部为 0）
# 定义柱子的宽度（dx 和 dy）
# 柱子的高度为 X - Y - Z 三维图中的 Z 位置（dz）
# 广泛使用列表推导式简化列表创建

与之前的代码相比，这段代码更长，因为涉及更多步骤。除了每个柱子的高度，还必须定义每个柱子的绘图坐标，以及柱子的宽度。

回归模型家族概述

回归分析旨在将一个函数拟合到数据上，以提取目标变量（因变量）的平均趋势，并确定导致或驱动目标及其模式的因素（自变量或特征）。这些模式包括方向、线性程度和离散程度等。回归分析不仅有解释性目标，还有预测性目标，即通过从数据中估计的模型来预测未来或不同条件下的结果。

回归模型家族基于链接函数，链接函数将目标变量的均值与自变量的线性组合联系起来。常见的链接函数有三种，如下表所示：
| 目标变量类型 | 链接函数 |
| — | — |
| 连续型 | 恒等链接 |
| 离