描述性模型（Descriptive Models）是用于总结、描述和理解数据特征的统计工具和方法。它们的主要目标是提供对数据的整体认识，而不是预测未来或解释因果关系。通过揭示数据的内在结构和模式，描述性模型可以帮助研究人员和分析师更好地理解数据的分布、趋势和变异性。
以下是两种常见的描述性模型：
Cleveland, W. 1979. “Robust Locally Weighted Regression and Smoothing Scatterplots.” Journal of the American Statistical Association 74 (368): 829–36.↩︎
Bolstad, B. 2004. Low-Level Analysis of High-Density Oligonucleotide Array Data: Background, Normalization and Summarization. University of California, Berkeley.↩︎
# **描述性模型** {.unnumbered}
描述性模型（Descriptive Models）是用于总结、描述和理解数据特征的统计工具和方法。它们的主要目标是提供对数据的整体认识，而不是预测未来或解释因果关系。通过揭示数据的内在结构和模式，描述性模型可以帮助研究人员和分析师更好地理解数据的分布、趋势和变异性。
以下是两种常见的描述性模型：
- 局部回归散点平滑模型 （*locally estimated scatterplot smoothing* model ，LOESS）[^descriptive_models-1]
- 探针水平模型 （probe-level models ，PLMs）[^descriptive_models-2]，如微阵列，芯片
[^descriptive_models-1]: Cleveland, W. 1979. “Robust Locally Weighted Regression and Smoothing Scatterplots.” *Journal of the American Statistical Association* 74 (368): 829–36.
[^descriptive_models-2]: Bolstad, B. 2004. *Low-Level Analysis of High-Density Oligonucleotide Array Data: Background, Normalization and Summarization*. University of California, Berkeley.