1、多元回归应用于单方程模型，其因变量必须为测量性变量，其自变量可以为测量型变量或虚拟型变量。研究目的是通过自变量的变化来预测因变量的变化，多元回归用最小二乘法求解回归系数。

2、如果变量之间有多层因果关系，就可以由多个内在联系得多元回归方程组成一套通径分析连立方程组，每个方程都通过多元回归求解系数，然后应用通径分析分解变量之间的直接作用和间接作用。

3、如果一套连立方程组中含有潜在变量（即不可直接观测的变量），便不能再用最小二乘法求解，这是可以应用结构方程模型，它主要采用最大似然估计求解。

4、在研究有两组各包含多个变量的变量组之间的关系时，可以采用典型相关分析。典型相关分析的所有变量必须为测量型变量或虚拟变量。

5、多元方差分析研究两个以上的类别中在多项测量型数据指标上是否存在显著差异。

6、当因变量为二分类变量且自变量为测量型变量和虚拟变量时，不能采用多元回归，而应该采用logistics回归。

7、logit模型是对数线形模型的一种特例。它与logistic回归的不同在于，它的自变量全部都是分类变量。

8、鉴别分析主要应用于在已知一些案例的各种条件值及其结果类型的条件下，形成鉴别方程，并应用于其他条件值已知但结果类型未知的案例，预测他们的结果类型。这种方法可以视为因变量为多分类结果，自变量为测量型或虚拟变量的因果预测。它的主要应用目的是进行鉴别分类。

9、在使用纵贯数据进行因果分析时，事件史分析是可以应用的分析技术。其中，离散时间模型实际上就是用logistic回归求解。而cox比例风险模型是连续变量模型，他分为两种，一种包括动态变量（即随时间变化的自变量），另一种不包括动态变量。事件史分析的数据处理是一项比较复杂的工作。

10、至于因子分析、聚类分析和对应分析不是因果模型，他们分别用于分析变量、案例或类型（变量值）之间的结构不安席。将他们成为相依模型。因子分析经常服务于浓缩多个测量型变量，使之转换为较少数量的新变量（称为因子）后，仍然携带原变量的绝大部分信息。（注意因子分析和主成分分析的区别）

11、聚类分析用于分析各案例在多个测量性变量值上的近似型距离，将其按近似性原则进行案例排列。

12、对应分析可以用来对不用非测量型变量的类别之间进行分析，以作图形式显示不同变量类别之间的近似程度。

---

☆因子分析与主成分分析的异同点:都对原始数据进行标准化处理; 都消除了原始指标的相关性对综合评价所造成的信息重复的影响; 构造综合评价时所涉及的权数具有客观性; 在信息损失不大的前提下，减少了评价工作量。公共因子比主成分更容易被解释; 因子分析的评价结果没有主成分分析准确; 因子分析比主成分分析的计算工作量大。

主成分分析仅仅是变量变换，而因子分析需要构造因子模型。
主成分分析:原始变量的线性组合表示新的综合变量，即主成分。
因子分析：潜在的假想变量和随机影响变量的线性组合表示原始变量。