回归

Auto ARIMA 时间序列预测

基于自回归积分滑动平均模型，自动寻找最优参数进行时间序列预测，支持按分组变量分别独立建模预测对比。

二元逻辑回归

用于探讨一个或多个自变量对一个二分类因变量的影响，支持按分组变量进行分组建模对比。

灰色预测模型gm(1,1)

灰色预测是一种对含有不确定因素的系统进行预测的方法。

分层回归 (Hierarchical Regression)

在控制已知变量的影响后，评估新加入的变量块对模型解释力的额外贡献（ΔR²）。

多层线性模型 (HLM)

处理具有嵌套层级结构的数据，分离并评估不同层级变量对结果的独立影响。

Lasso回归

带有 L1 正则化惩罚项的线性回归模型，极其擅长高维特征的变量筛选与降维。

线性回归（最小二乘法）

用于确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法；定类自变量自动虚拟变量编码，亦支持按分组变量进行分组建模对比。

多水平/混合效应模型 (Mixed-Effects)

HLM的广义统称，适用于包含固定效应和复杂随机效应结构的高级重复测量或面板数据。

多项逻辑回归

用于探讨自变量对一个无序多分类因变量的影响。

负二项回归

泊松回归的加强版，专门处理存在“过度离散”特征的计数数据回归模型，支持按分组变量进行分组建模对比。

有序逻辑回归

用于探讨自变量对一个具有严格等级顺序分类的因变量的影响，支持按分组变量进行分组建模对比。

泊松回归 (Poisson)

针对因变量为计数数据（非负整数）的广义线性回归模型，支持按分组变量进行分组建模对比。

岭回归 (Ridge)

专门用于处理自变量之间存在严重多重共线性问题的线性回归扩展模型。

逐步回归

按进入/剔除准则逐步筛选自变量，得到较精简的线性回归方程。

偏最小二乘回归(PLSR)

在自变量高维或共线时提取潜变量，同时解释X与预测Y。

Deming's 回归

在X和Y都存在测量误差时估计直线关系，用于方法比对。

二分类概率单位回归(Probit)

用正态CDF连接函数对二分类结局建模，估计概率与效应。

拟合工具箱

对自定义或常用非线性函数（指数、logistic生长等）做曲线拟合。

对数线性模型

对多维列联表的对数频数建模，检验高阶交互是否存在。

广义线性模型

在统一框架下指定分布族与连接函数，覆盖正态、二项、Poisson等回归。

广义估计方程

用GEE估计重复测量或聚类数据的总体平均效应并修正相关。

稳健回归(RANSAC)

降低异常点对斜率的拉力，用RANSAC或迭代加权得到稳健拟合。

分位数回归

估计自变量对Y在指定分位点（如中位数、90分位）上的条件效应。

条件逻辑回归

用于1:1或1:m配对病例对照，在层内条件化掉层截距。

概率单位回归(剂量分析)

拟合剂量—反应Probit/Logit曲线，估计LD50、ED50等致死/有效剂量。