大家好，请教了！

   我的主要是想通过大量的样本数据，得到一个描述目标变量和诸多自变量之间关系的经验公式。

   是采用因子分析方法还是多元回归呢？而这主要区别是什么？
   另外因子分析法，对自变量和目标变量之间是否为线性关系有没有要求？

   谢谢大家了！

[ Last edited by yengine on 2008-5-27 at 22:49 ]

这两个的话，还是用因子分析方法吧
这个好像误差要小，实际上和主成分分析的数学方法差不多，
它先对原来的数据做一个提取有效信息消除噪声的变换，然后再做多元回归，好像可以减小一些误差吧
:D:D:D
个人意见

但这样的话，似乎不直观，看不出原来的因变量和目标变量之间是什么关系？

对于因子分析来说，都是线性的模型，它的一个基本假设就是各个因子之间没有相互作用，因子之间的关系都是线性的关系，所以，采用因子分析法，最好各个因子之间没有任何相关，即他们都是独立，都是线性的……

多元线性回归只是因子分析方法中的一种处理方法，即你找到了各个因子(或称变量，虽然不是很正确，但是更好理解)，这些因子的模型就是：
y(i)=a(0,i)+a(1,i)*x(1,i)+a(2,i)*x(2,i)+...+a(k,i)*x(k,i) ；k=1, 2, 3, ...,K ; i=1, 2, 3, ..., n
K是你的因子数，n是你的样本数。

处理的时候就可以采用多元线性回归进行。

但是在因子分析中，方法并不局限于多元线性回归，其它的方法比如偏最小二乘，多元分辨等各种其它的方法来对因子矩阵进行分析，从而得到有用的信息，多元线性是最简单的……

楼主可以上网搜一下因子分析，我记得网络上曾经发布了一本中文的因子分析的书，谁写的我忘了，其实因子分析的话非常麻烦，我也不是非常熟练，理解有误的地方敬请指正:)

非常感谢！
多元线性回归需要什么条件？ 要求因变量必须是正态分布？

差不多吧，通常的说法是 Y = X\beta + \epsilon 中的 \epsilon 项必须符合 Gauss-Markov 假设，其实就是 \epsilon 必须服从正态分布。

谢谢诸位了！