分类回归

在分析目标为从一组自变量（预测变量）预测一个因变量（响应）的情况下，最适合使用分类回归。 与所有最优刻度过程一样，刻度值分配给每个变量的每个类别，以使这些值对于回归是最优的。 分类回归的解使已转换的响应与加权的已转换预测变量组合之间的平方相关性最大化。

与其他类别过程的关系。 使用最优刻度的分类回归类似于具有两个集（其中一个集仅包含因变量）的最优刻度正态协变量分析。 在后一种方法中，集的相似性是通过将每个集与位于所有集之间的某个未知变量进行比较而得出的。 在分类回归中，已转换的响应与已转换的预测变量的线形组合的相似性是直接评定的。

与标准方法的关系。 在标准线性回归中，分类变量或者可以重新编码为指示符变量，或者以同样的方式视为区间级变量。 在第一种方法中，该模型对于分类变量级别的每个组合都包含一个独立的截距和斜率。 这产生了大量要解释的参数。 在第二种方法中，对于每个变量只估计一个参数。 但是，由于类别编码的任意性，不可能进行广义化。

如果某些变量不是连续的，则替代分析可用。 如果响应是连续的并且预测变量是分类的，则通常采用方差分析。 如果响应是分类的，而预测变量是连续的，则可能适用 Logistic 回归或判别分析。 如果响应和预测变量都是分类的，则通常使用对数线形模型。

使用最优刻度的回归为每个变量提供三个刻度级别。 这些级别的组合可解释任何单个“标准”方法都不适用的大量非线形关系。 因此，最优刻度比具有最小附加复杂性的标准方法提供的灵活性更大。

此外，预测变量的非线形转换通常降低了预测变量之间的依赖性。 如果将预测变量的相关性矩阵的特征值与最优刻度预测变量的相关性矩阵的特征值进行比较，则后者集合的可变性通常比前者更低。 换言之，在分类回归中，最优刻度使预测变量相关性矩阵的较大的特征值较小，而较小的特征值较大。