变量选择

数据中心是自定义的【可以理解为外部变量】根据采集是系统自带的 这个好像不能选择吧。

R中mgcv包中的gam模型中是不是只能有六个变量,如题,在用mgcv包里的gam做分析,可是每次模型中纳入七个变量时候就出现提示:错误于smooth.construct.tp.s

变系数模型的变量选择的原理如下。1、利用B样条基函数逼近变系数模型中的非参数函数部分，结合SCAD方法建立惩罚目标函数实现同时选择变系数模型中的相关变量并且辨别具有常数效应的协变量。2、利用众数回归和借补方法研究变系数模型的非参数估计，并结合SCAD双惩罚建立惩罚目标函数以达到同时选择变系数模型中的重要变量且能识别具有常数效应的协变量的统一变量选择。

psm中因变量选择的是交互项交互项系数为正,自变量对因变量的影响随着调节变量的增强而增强;交互项系数为负,自变量对因变量的影响随着调节变量的增强而削弱。

工具变量滞后一期是解决内生性问题的两种方法，其意思分别为：1、使用内生变量的滞后一期，内生变量的上一期与当期误差项并不存在

当你的实证研究中有些变量你不想讨论，但这些变量对你的实证研究产生较大影响而不得不讨论时，就需要将这些变量设置为控制变量。控制变量与解释变量没有本质上的区别，将它当作解释变量来做就可以了，只是在讨论的时候区别对待，说明它是控制变量就行了。

基础解系不唯一, 都可以唯一解, 未知量都是唯一确定的, 什么也不用令

那这样2*3实验，因变量也就只有6组值吧，简单处理的话也就只是能比较均值搞方差分析或者两两T检验了。都是分类变量的话回归没多大意义了。

你的数据文件中，共有几个变量？如果已有分组变量（如为：组别），则看一下该变量 的类型是否为数值型，不是的话，改成数值型试试

openMP或其他并行编程时，每个线程内要使用自己的局部变量，使用全局变量或者静态变量时可能会产生不可预测的问题。在创建变量时都要赋初值，不然也可能会对程序有影响，因为其地址中本身存储的就有值。希望回答可以帮助到您。

wincc7.0我也在用，也遇到过这样的问题，我的解决办法是：1：首先复制V6.5版本的报表看能不能显示。2：检查变量是不是有问题，我的变量一个名字的变量在列表中可以出现了两次，原因是可能在不同的时间建立的变量，不同的输入法输入的变量可能是两个不同的变量，检查那个变量可以和报表连接。3：把修改的变量先调用做实时曲线，看能否出现，如果出现，证明这个变量没有问题，如果实时曲线调用不出来，说

1：如果你是在做回归分析，那么这里是对解释变量的选择就是想剔除多元回归之间的多重共线性了，比如在分析你们家中的每月消费支出是，如果你选取的解释变量有父母工资，期货收益，还有存款利息等，加入还想加入你爸爸的工资来解释你家里每月的消费支出，这样变量之间就明显的产生了多重共线性了，应为你父母工资这个变量就是由你爸你妈工资之和构成的如果你爸爸的工资占你父母工资收入的绝大部分的话，那么这样变量：父母工资与变量：爸爸的工资的相关系数就会相当高了，这样在回归分析中就会产生许多错误，违反了高斯假定。所以这里就是为了消除多重共线性了2：这里使用的方法叫做逐步回归法

　　Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。　　二值logistic回归：　　选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。把你的自变量选到协变量的框框里边。　　细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。那么我们为了模型的准确，就把这个交互效应也选到模型里去。我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。　　然后在下边有一个方法的下拉菜单。默认的是进入，就是强迫所有选择的变量都进入到模型里边。除去进入法以外，还有三种向前法，三种向后法。一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。再下边的选择变量则是用来选择你的个案的。一般也不用管它。　　选好主面板以后，单击分类（右上角），打开分类对话框。在这个对话框里边，左边的协变量的框框里边有你选好的自变量，右边写着分类协变量的框框则是空白的。你要把协变量里边的字符型变量和分类变量选到分类协变量里边去（系统会自动生成哑变量来方便分析，什么事哑变量具体参照前文）。这里的字符型变量指的是用值标签标注过得变量，不然光文字，系统也没法给你分析啊。选好以后，分类协变量下边还有一个更改对比的框框，我们知道，对于分类变量，spss需要有一个参照，每个分类都通过和这个参照进行比较来得到结果，更改对比这个框框就是用来选择参照的。默认的对比是指示符，也就是每个分类都和总体进行比较，除了指示符以外还有简单，差值等。这个框框不是很重要，默认就可以了。　　点击继续。然后打开保存对话框，勾选概率，组成员，包含协方差矩阵。点击继续，打开选项对话框，勾选分类图，估计值的相关性，迭代历史，exp（B）的CI，在模型中包含常数，输出——在每个步骤中。如果你的协变量有连续型的，或者小样本，那还要勾选Hosmer-Lemeshow拟合度，这个拟合度表现的会较好一些。　　继续，确定。　　然后，就会输出结果了。主要会输出六个表。　　第一个表是模型系数综合检验表，要看他模型的p值是不是小于0.05，判断我们这个logistic回归方程有没有意义。　　第二个表示模型汇总表。这个表里有两个R^2，叫做广义决定系数，也叫伪R^2，作用类似于线性回归里的决定系数，也是表示这个方程能够解释模型的百分之多少。由于计算方法不同，这两个广义决定系数的值往往不一样，但是出入并不会很大。　　在下边的分类表则表述了模型的稳定性。这个表最后一行百分比校正下边的三个数据列出来在实际值为0或者1时，模型预测正确的百分比，以及模型总的预测正确率。一般认为预测正确概率达到百分之五十就是良好（标准真够低的），当然正确率越高越好。　　在然后就是最重要的表了，方程中的变量表。第一行那个B下边是每个变量的系数。第五行的p值会告诉你每个变量是否适合留在方程里。如果有某个变量不适合，那就要从新去掉这个变量做回归。根据这个表就可以写出logistic方程了：P=Exp(常量+a1*变量1+a2*变量2.。。。)/(1+Exp(常量+a1*变量1+a2*变量2.。。。))。如果大家学过一点统计，那就应该对这个形式的方程不陌生。提供变量，它最后算出来会是一个介于0和1的数，也就是你的模型里设定的值比较大的情况发生的概率，比如你想推算会不会治愈，你设0治愈，1为没有治愈。那你的模型算出来就是没有治愈的概率。如果你想直接计算治愈的概率，那就需要更改一下设定，用1去代表治愈。　　此外倒数后两列有一个EXP（B），也就是OR值，哦，这个可不是或者的意思，OR值是优势比。在线性回归里边我们用标准化系数来对比两个自变量对于因变量的影响力的强弱，在logistic回归里边我们用优势比来比较不同的情况对于因变量的影响。举个例子。比如我想看性别对于某种病是否好转的影响，假设0代表女，1代表男，0代表不好转，1代表好转。发现这个变量的OR值为2.9，那么也就是说男人的好转的可能是女人好转的2.9倍。注意，这里都是以数值较大的那个情况为基准的。而且OR值可以直接给出这个倍数。如果是0,1,2各代表一类情况的时候，那就是2是1的2.9倍，1是0的2.9倍，以此类推。OR值对于方程没什么贡献，但是有助于直观的理解模型。在使用OR值得时候一定要结合它95%的置信区间来进行判断。

关于卫生统计学变量选择的方法分享如下：卫生统计学是一门运用统计学原理和方法，对卫生问题进行系统研究和分析的学科。在卫生统计学的研究中，变量的选择非常重要，它直接关系到研究的结果质量。本文将介绍卫生统计学变量选择的方法。1、根据研究对象和研究问题确定变量在研究开始前，需要根据实际问题确定研究对象和研究问题，以便正确选择变量。例如，在研究某种疾病的发病率时，需要选取与该疾病有关的风险因素作为自变量，如年龄、性别、职业、生活环境等。此外，还需要选取与疾病关系密切的影响变量，如家族病史或治疗方法等。2、根据变量类型进行选择卫生统计学的变量类型主要有连续型变量和分类型变量。在变量选择时，需要根据具体问题的研究目的，选取不同类型的变量。例如，在研究一个人的肥胖程度时，体重等指标是连续性变量；而BMI（身体质量指数）属于分类型变量，需要根据BMI指标的标准进行区分。3、根据变量的相关性选择在卫生统计学研究中，样本数据之间存在不同的关联性。例如，既往经验可以预测未来一段时间内的某种疾病的发生可能性；同时，某些卫生因素可能相互影响，导致某种疾病的发生率增高。因此，在选择变量的过程中，需要对变量之间的相关性进行评估和判断。可以通过使用相关系数和多元回归分析等方法进行判断，选取相关性高的变量。4、根据变量的可控性选择在变量选择的过程中，还需要考虑到变量的可控性。如果变量是无法控制的，那么就会影响研究的结果。例如，如果研究高血压患者的治疗效果，但无法控制患者的饮食、生活方式等多个因素，那么结果就会受到干扰。因此，在选择变量时，需要考虑到哪些变量是可以控制的，并以此决定是否将其作为自变量或影响变量。5、根据研究问卷进行选择在某些卫生统计学研究中，需要使用问卷调查的方式进行数据收集。因此，在设计问卷上也需要考虑到变量的选择。例如，在一项关于职业病的调查中，需要选择与该职业相对应的影响因素作为自变量，以及可能影响职业病发生的其他相关因素。总结起来，卫生统计学变量选择需要考虑到多个因素，包括研究对象、研究问题、变量类型、变量相关性、变量可控性等等。只有在正确选择变量的基础上，才能保证卫生统计学研究结果的准确性和实用性。

　Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。　　二值logistic回归：　　选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。把你的自变量选到协变量的框框里边。　　细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。那么我们为了模型的准确，就把这个交互效应也选到模型里去。我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。　　然后在下边有一个方法的下拉菜单。默认的是进入，就是强迫所有选择的变量都进入到模型里边。除去进入法以外，还有三种向前法，三种向后法。一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。再下边的选择变量则是用来选择你的个案的。一般也不用管它。　　选好主面板以后，单击分类（右上角），打开分类对话框。在这个对话框里边，左边的协变量的框框里边有你选好的自变量，右边写着分类协变量的框框则是空白的。你要把协变量里边的字符型变量和分类变量选到分类协变量里边去（系统会自动生成哑变量来方便分析，什么事哑变量具体参照前文）。这里的字符型变量指的是用值标签标注过得变量，不然光文字，系统也没法给你分析啊。选好以后，分类协变量下边还有一个更改对比的框框，我们知道，对于分类变量，spss需要有一个参照，每个分类都通过和这个参照进行比较来得到结果，更改对比这个框框就是用来选择参照的。默认的对比是指示符，也就是每个分类都和总体进行比较，除了指示符以外还有简单，差值等。这个框框不是很重要，默认就可以了。　　点击继续。然后打开保存对话框，勾选概率，组成员，包含协方差矩阵。点击继续，打开选项对话框，勾选分类图，估计值的相关性，迭代历史，exp（B）的CI，在模型中包含常数，输出——在每个步骤中。如果你的协变量有连续型的，或者小样本，那还要勾选Hosmer-Lemeshow拟合度，这个拟合度表现的会较好一些。　　继续，确定。　　然后，就会输出结果了。主要会输出六个表。　　第一个表是模型系数综合检验表，要看他模型的p值是不是小于0.05，判断我们这个logistic回归方程有没有意义。　　第二个表示模型汇总表。这个表里有两个R^2，叫做广义决定系数，也叫伪R^2，作用类似于线性回归里的决定系数，也是表示这个方程能够解释模型的百分之多少。由于计算方法不同，这两个广义决定系数的值往往不一样，但是出入并不会很大。　　在下边的分类表则表述了模型的稳定性。这个表最后一行百分比校正下边的三个数据列出来在实际值为0或者1时，模型预测正确的百分比，以及模型总的预测正确率。一般认为预测正确概率达到百分之五十就是良好（标准真够低的），当然正确率越高越好。　　在然后就是最重要的表了，方程中的变量表。第一行那个B下边是每个变量的系数。第五行的p值会告诉你每个变量是否适合留在方程里。如果有某个变量不适合，那就要从新去掉这个变量做回归。根据这个表就可以写出logistic方程了：P=Exp(常量+a1*变量1+a2*变量2.。。。)/(1+Exp(常量+a1*变量1+a2*变量2.。。。))。如果大家学过一点统计，那就应该对这个形式的方程不陌生。提供变量，它最后算出来会是一个介于0和1的数，也就是你的模型里设定的值比较大的情况发生的概率，比如你想推算会不会治愈，你设0治愈，1为没有治愈。那你的模型算出来就是没有治愈的概率。如果你想直接计算治愈的概率，那就需要更改一下设定，用1去代表治愈。　　此外倒数后两列有一个EXP（B），也就是OR值，哦，这个可不是或者的意思，OR值是优势比。在线性回归里边我们用标准化系数来对比两个自变量对于因变量的影响力的强弱，在logistic回归里边我们用优势比来比较不同的情况对于因变量的影响。举个例子。比如我想看性别对于某种病是否好转的影响，假设0代表女，1代表男，0代表不好转，1代表好转。发现这个变量的OR值为2.9，那么也就是说男人的好转的可能是女人好转的2.9倍。注意，这里都是以数值较大的那个情况为基准的。而且OR值可以直接给出这个倍数。如果是0,1,2各代表一类情况的时候，那就是2是1的2.9倍，1是0的2.9倍，以此类推。OR值对于方程没什么贡献，但是有助于直观的理解模型。在使用OR值得时候一定要结合它95%的置信区间来进行判断。　　此外还有相关矩阵表和概率直方图，就不再介绍了。

上一篇： 信用评分：第三部分 - 数据准备和探索性数据分析 “少花钱多办事”是信用资质的主要理念，而信用风险模型是实现这一目标的手段。使用自动化流程并关注关键信息，可以在几秒钟内完成信用决策 - 最终可以通过更快地制定决策流程来降低运营成本。更少的问题和快速的信贷决策最终会提高客户满意度。对于贷方而言，这意味着扩大其客户群，接受风险较小的客户并增加利润。 如何实现简约性以及要查找的关键信息是什么？答案是在信用风险建模过程的下一步 - 变量选择过程中找到的。 作为数据准备的结果创建的挖掘视图是多维客户的唯一签名，用于发现潜在的预测关系并测试这些关系的强度。在根据客户签名中发现的特征创建一组可测试假设时，对客户签名进行全面分析是一个重要步骤。这种分析通常被称为 商业洞察 ，它提供了对客户行为趋势的解释，旨在指导建模过程。 业务洞察分析的目的是： 业务洞察分析使用的工具类似于通过结合单变量和多变量统计数据以及不同的数据可视化技术进行 探索性数据分析 。典型的技术有相关分析，交叉表分析，分布，时间序列分析以及监督和非监督分割分析。分割特别重要，因为它确定何时需要多个评分卡。 基于业务洞察分析的结果，变量选择首先将挖掘视图划分为至少两个不同的分区：训练和测试分区。训练分区用于开发模型，测试分区用于评估模型的性能和验证模型。 变量选择是在模型训练期间测试一系列候选模型变量的显著性。候选模型变量也称为自变量，预测变量，属性，模型因子，协变量，回归量，特征或特征。 变量选择是一个简约的过程，旨在识别最大增益的预测器（预测准确性）的最小集合。这种方法与数据准备相反，其中尽可能多的有意义的变量被添加到挖掘视图中。达到这些相反的要求需要追求简约; 也就是说，在给定的约束下找到最小的选择偏差。 关键目标是找到一组正确的变量，这样记分卡模型就能够，不仅可以根据客户的坏账可能性对客户进行排名，还可以估算出坏账的可能性。这通常意味着在预测模型中选择统计上显著的变量，并且具有一组平衡的预测变量（通常8-15被认为是良好的平衡），以收敛到360度的客户视图。除了客户特定的风险特征，我们还应考虑包括系统风险因素，以解释经济漂移和波动。 说起来容易做起来难 - 在选择变量时，存在许多限制。首先，该模型通常包含一些高度预测变量，其使用受到法律，道德或监管规则的禁止。其次，在建模或生产阶段，某些变量可能不可用或质量较差。此外，可能存在未被认识到的重要变量，例如，由于人群样本偏差，或者由于多重共线性，他们的模型效应会违反直觉。最后，业务将永远掌握最后的发言权，并可能坚持只包含业务可靠变量，或要求单调增加或减少影响。 所有这些约束都是潜在的偏差来源，这使数据科学家们面临一项挑战性的任务，即尽量减少选择偏差。变量选择期间的典型预防措施包括： 重要的是要认识到变量选择是在整个模型构建过程中发生的迭代过程。 在达到“最佳点”之后，变量选择结束 - 意味着在模型精度方面不能再实现改进。 有多种可变选择方法可供选择。随着机器学习的进步，这个数字一直在增加。变量选择技术取决于我们是使用变量减少还是变量消除（过滤），选择过程是在预测模型内部还是外部进行; 我们是否使用有监督或无监督学习; 或者如果基础方法基于特定的嵌入式技术，例如交叉验证。 在信用风险建模中，两种最常用的变量选择方法是在模型训练之前用于过滤的信息值和在逻辑回归模型的训练期间用于变量选择的逐步选择。尽管两者都受到了从业者的批评，但重要的是要认识到没有理想的方法存在，因为变量选择的每种方法都有其优点和缺点。使用哪一个以及如何最好地将它们组合起来并不是一件容易解决的任务，需要扎实的领域知识，对数据的良好理解以及广泛的建模经验。 上一篇： 信用评分：第三部分 - 数据准备和探索性数据分析 下一篇： 信用评分：第五部分 - 评分卡开发

　　二分类 logistic回归中“变量选择方法”有7种，以下是spss手册中的介绍：　　Logistic 回归：变量选择方法　　方法选择允许您指定自变量将如何进入到分析中。通过使用不同的方法，您可以从相同　　的变量组构造多个回归模型。　　? Enter. 一种变量选择过程，其中一个块中的所有变量在一个步骤中输入。　　? 向前选择（条件）. 逐步选择方法，其中进入检验是基于得分统计量的显著性，移去检验是基于在条件参数估计基础上的似然比统计的概率。　　? 向前选择（似然比）. 逐步选择方法，其中进入检验是基于得分统计量的显著性，移去检验是基于在最大局部似然估计的似然比统计的概率。　　? 向前选择 (Wald). 逐步选择方法，其中进入检验是基于得分统计量的显著性，移去检验是基于 Wald 统计的概率。　　? 向后去除（条件）. 逐步向后选择。移去检验基于在条件参数估计的似然比统计量的概率。　　? 向后去除（似然比）. 逐步向后选择。移去检验基于在最大偏似然估计基础上的似然比统计量的概率。　　? 向后去除（Wald）. 逐步向后选择。移去检验基于 Wald 统计量的概率。　　输出中的显著性值基于与单个模型的拟合。因此，当使用逐步方法时，显著性值通常无效。　　所有被选自变量将被添加到单个回归模型中。不过，您可以为不同的变量子集指定不同的进入方法。例如，您可以使用逐步式选择将一个变量块输入到回归模型中，而使用向前选择输入第二个变量块。要将第二个变量块添加到回归模型，请单击下一个 。

变量选择的方法有哪些：前进法、后退法、Lasso方法。某一个变量与模型中随机解释变量高度相关，但却不与随机误差项相关，那么就可以用此变量与模型中相应回归系数得到一个一致估计量，这个变量就称为工具变量，这种估计方法就叫工具变量法。在模型估计过程中被作为工具使用，以替代模型中与误差项相关的随机解释变量的变量，称为工具变量。作为工具变量，必须满足下述四个条件：1、与所替的随机解释变量高度相关；2、与随机误差项不相关；3、与模型中其他解释变量不相关；4、同一模型中需要引入多个工具变量时，这些工具变量之间不相关。扩展资料：工具变量的相关性和工具变量的外生性，其中相关性是指工具变量与回归因子相关，外生性是指工具变量与残差项u无关。为了在具体操作能够实现，常常分两步来做：1、第一步将X分解两部分：一个是可能与回归误差项相关的有问题的部分，另一个是与回归误差项无关的没有问题的部分；2、第二步就是使用这个没有问题的部分来估计参数。工具变量可以起到随机抽样的结果，同时，除第一阶段的影响外，工具变量不会通过其他影响被解释变量。

模型中的变量有两类，一类为预测量，另一类为自变量。（一）预测变量本模型的预测量为土壤的入渗能力。土壤的累积入渗量是衡量其入渗能力大小的指标之一，它具有随入渗时间的变化而变化的特点。大量的田间土壤入渗试验表明：无论何种土壤质地、结构及含水率条件，入渗开始后50～60 min的入渗都已进入相对稳定入渗阶段。此时，不同土壤的入渗能力差异已经非常明显。为安全起见，选择90 min的累积入渗量作为衡量土壤入渗能力的指标。因此，以90 min的累积入渗量作为本预报模型的预测变量。（二）自变量影响土壤入渗能力的因素很多，在非冻结土壤条件下以土壤质地、结构，和含水率为主要因素。冻结土壤条件下除了以上影响因素外还有土壤温度、灌溉水水温、地下水埋深、冻层厚度、冻层层数和冻层层位等。若把诸多影响因素都作为预测模型的变量，势必给模型参数的确定和模型的应用带来不便。为此，在模型自变量的选择中，考虑若干主要影响变量，其他非主要因素的影响都包含在β0中。由试验结果的分析认为，冻结土壤条件下，影响土壤入渗能力的主要因素有土壤质地、结构、含水率和土壤温度。各主要影响因素的物理量指标选择如下。1.土壤质地土壤质地通过对土壤水势和水力传导度两方面对土壤入渗能力产生影响。用来表征土壤质地的数量指标为土壤颗粒分布，本模型选择小于某粒径土粒含量占总土重的比值作为反映土壤质地的指标。经对三种试验土壤入渗能力与其粘粒含量之间关系的分析，认为土壤入渗能力与其粘粒含量间关系不甚密切，如平遥北长寿土壤的粘粒含量与平遥宁固土壤相近（均为13%左右），但两者的入渗能力相差较大。因此不能选择土壤粘粒含量作为反映质地差异的指标。同时分析认为，土壤入渗能力与物理性粘粒含量的关系较密切，因此选择土壤的物理性粘粒含量作为反映土壤质地的物理量。三种试验土壤的物理性粘粒含量见表5-1。表5-1 试验土壤物理性粘粒含量表2.土壤结构土壤结构反映了土壤疏散和板结程度。土壤结构越疏散，其孔隙率越大，土壤入渗能力越强。实际工作中，多数人一般用土壤干密度作为反映土壤结构的物理量。本模型中土壤结构对土壤入渗能力的影响用土壤干密度来反映。由于水分入渗是水分通过地表进入土壤的过程，地表作为土壤入渗的上界面，大多数情况下对土壤入渗能力起控制作用。因此，选择地表面以下10 cm范围内的平均土壤容重作为模型中的土壤结构变量。3.土壤含水率土壤含水率是影响土壤入渗能力的主要因素之一。非冻结土壤条件下，含水率主要通过对土水势梯度的影响对土壤入渗能力产生影响；在冻结土壤条件下，由于含水率作为负温作用下土壤相变的物质基础，对土壤入渗能力的影响更大。由于地表为土壤水分入渗的控制界面，且冻结土壤条件下水分入渗深度小，选择地表以下10 cm范围内的土壤含水率作为反映土壤含水率的指标。4.土壤温度如前所述，在非冻结土壤条件下，土壤温度对土壤入渗能力的影响并不明显，但是在冻结土壤条件下，土壤温度是土壤发生相变的两大条件之一。土壤含水率作为土壤相变的物质基础，而土壤温度则是土壤水分发生相变的起因。在一定的土壤含水率条件下。土壤温度的高低决定着土壤相变的多寡。而土壤相变量的多少又决定着同条件下土壤入渗能力的大小。因此，土壤温度是影响冻结土壤入渗能力大小的一个主要因素。第四章的分析表明：土壤入渗能力及其入渗模型参数与地中5 cm深度处的温度具有较好的相关性。此模型中以地表或地下5 cm处的温度作为反映地温对土壤入渗能力影响的变量。为满足模型参数估计、假设检验等计算中的变量非零和非负要求，地温变量以负温的绝对值表示之。5.其他因素土壤冻结层的厚度从表面上看是影响土壤入渗能力的因素之一，但由于它与土壤负温绝对值之间有较好的相关性，土壤负温对入渗能力的影响已包含了冻层厚度的影响。因此，冻层厚度不作为一个独立变量来考虑。试验结果表明地下水埋深对冻融土壤的入渗能力也有较大的影响，但分析认为，地下水埋深对土壤入渗能力的影响是通过其对地表土层的含水率实现的，地下水埋深不作为一个独立的变量对土壤入渗能力产生影响。因此，模型不把地下水埋深作为一个独立变量考虑。第四章的分析认为，入渗水的温度对土壤入渗能力也有一定影响。模型设计中把试验时的水温也作为独立变量之一。但经过模型参数的显著性检验，水温变量的影响与其他变量相比不显著，因而在后续的模型计算中不把水温作为独立变量考虑。土壤入渗能力的日变化特性是由土壤温度的日变化引起的，模型中土壤温度的影响已包括了温度日变化的影响。因此，模型中不单独考虑温度日变化的影响。其他诸如冻层层位、层数的影响，由于问题的复杂性，全部在模型常数项中综合考虑。综上所述，预报模型中，对于同质地的土壤，其自变量按土壤结构、含水率和地温（模型设计中还考虑了水温）考虑；对于不同质地的土壤按土壤质地、结构、含水率和地温四个自变量考虑。

遗漏变量。控制变量是指与特定研究目标无关的非研究变量，控制变量选择比较困难的原因为遗漏变量，模型忽视了其他重要因素的影响。

实元k_end,k_start,uz_int中的uz_int并没有在公共块中设置成real*8，而在子程序中相应的哑元S确设置成了real*8，这可能就是不一致的原因。(不知道你把uz_int设置成什么？)再有kxy_integral(k_end,k_start,uz_int)应该是callkxy_integral(k_end,k_start,uz_int)

特征值的自由变量选择：那要看特征值是几重，然后一般令都是0和1.当然有的时候出现分数，那就自己凑成整数。有种组变量的方法，比较快。还有就是对于特征向量求解过程中选自由变量前一步需要先化简矩阵，这时候可以用到一个比较容易忽视的地方：代入特征值后的特征方程组的系数矩阵一定是相关的，也就是最后一行（观察行列式子式也可能是最后的n行)一定为0，选择较为简单的行作行变换即可。选取自由变量时首先确定组变量，然后剩下的Xi 为自由变量。求矩阵的全部特征值和特征向量的方法如下：第一步：计算的特征多项式。第二步：求出特征方程的全部根，即为的全部特征值。第三步：对于的每一个特征值，求出齐次线性方程组：的一个基础解系，则的属于特征值的全部特征向量是（其中是不全为零的任意实数）。

非零行的首非零元所在列对应的未知量是约束的其余的是自由未知量你的题目 自由未知量应该取 x2,x4事实上, 自由未知量所在列应该可由其余列线性表示, 也说是说其余的列应该是列向量组的一个极大无关组不过一般用上面的方法就可以了有疑问请追问

无论最终的统计模型是否包括该控制变量，都应该详细地阐述选择该控制变量的原因控制某变量最好的理由是通过阐述控制变量和核心研究变量之间的理论关系。首先，需要解释控制变量与研究变量的关系是怎样的，是重要的关系还是由于误差（例如，伪关系）产生的？接着，还需要回答三个问题：(i)现有的研究是否为这种关系提供了实证证据？(ii)将其包括在研究中有什么目的？(iii)这个变量的测量是否可靠？如果控制变量与研究变量之间的关系有实证证据支撑，那么有理由认为在统计分析中加入该控制变量可以提升效度或排除对研究结果的其他解释。