线性回归模型的研究毕业论文 丽水学院.docVIP

线性回归模型的研究 学院：理学院 班级：金融数学10本 姓名：俞超迪 指导老师：杨毅 【摘要】：本文首先对回归分析的定义、主要内容、基本思想、实现过程进行了阐述，指出了它的优点及存在的问题。对NBA比赛中的各因素和中国人口的预测进行了研究。最后对整篇文章做了个总结。 【关键词】：回归分析；回归模型；检验；预测 1 引言 回归分析最早是19世纪末期高尔顿（Sir?Francis?Galton）。1855年，他发表了一篇“遗传的身高向平均数方向的回归”高尔顿选用“回归”一词，把这一现象叫做“向平均数方向的回归”。“线形回归”的术语被沿用下来回归分析中，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析；当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。此外，回归分析中，又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的，分为线性回归分析和非线性回归分析。模型的各个参数根据实测数据评价回归模型够很好的拟合；如果能够很好的拟合，回归分析是应用极其广泛的数据分析方法之一。回归分析（regression analysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。从一组数据出发，确定某些变量之间的定量关系式，即建立并估计其中的未知参数。估计参数的常用方法是。 对这些关系式的可信程度进行检验。 在许多自变量共同影响着一个因变量的关系中，判断哪个（或哪些）自变量的影响是显著的，哪些自变量的影响是不显著的，将影响显著的自变量选入模型中，而剔除影响不显著的变量，通常用逐步回归、向前回归和向后回归等方法。 利用所求的关系式对某一生产过程进行预测或控制。回归分析的应用是非常广泛的，统计使各种回归方法计算十分方便。=a+bx式中, y表示因变量的估计值, x 表示自变量, a,b 称为回归模型的待定参数, 其中 b 又称为回归系数。上述的回归方程式在平面坐标系中表现为一条直线即回归直线。当 b0 时 y 随 x 的增加而增加, 两变量之间为正相关关系; 当 b0 时,y 随 x 的增加而减少, 两变量之间为负相关关系; 当y为一个常量时, 不随x的变动而变动。这样就为我们判断现象之间的关系, 分析现象之间是否处于正常状态提供了一条标准。 多元线性回归模型旨在分析两个或者两个以上的自变量作用后产生的结果,即多个自变量下的因变量结果,研究的是随机变量y与多个普通变量x1,x2, …xp, (p≥2),的相关关系。表达式为y=β0 +β1 x1 +β2 x2 +…βpxp+ε，对随机误差项ε常假定E(ε)=0,Var(ε)=σ2。并且称E(y)= β0 +β1 x1 +β2 x2 +…βpxp为理论回归方程。在实际应用中，如果获得n组观测数据（xi1 ,xi2,…,xip ;yi),i=1,2,…,n,则线性回归模型变为y=β0 +β1 xi1 +β2 xi2 +…βp xip +εi 。并且，量y与自变量x之间的关系往往是非线性关系，而不是简单的线性关系。但在非线性回归分析研究实际问题时,往往选择可以通过一定变换后能转换成线性关系的研究模型，从而避免了非线性回归分析的计算的复杂性。随着技术的不断进步，研究过程中经常运用到计算机，复杂的非线性回归分析模型也将被应用在研究中，而且会越来越频繁。 2.4 回归分析的基本思想 在回归分析中，把变量分为两类。一类是因变量，它们通常是实际问题中所关心的一类指标，通常用Y表示；而影响因变量取值的的另一类变量称为自变量，用X来表示。 回归分析研究的主要问题是： （1）确定Y与X间的定量关系表达式，这种表达式称为回归方程； （2）对求得的回归方程的可信度进行检验； （3）判断自变量X对因变量Y有无影响； （4）利用所求得的回归方程进行预测和控制。明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。 依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。 回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的分析处理。只有当变量与因变量确实存在某种关系时，建立的回归方程才有意义。因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。 回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。 利用回归预测模型计