刑事案件的定义（精选4篇）.doc

刑事案件的定义（精选4篇） 以下是网友分享的关于刑事案件的定义的资料4篇，希望对您有所帮助，就爱阅读感谢您的支持。 篇一 对刑事案发率的分析 法学教育是高等教育的重要组成部分，是建设社会主义法治国家、构建社会主义和谐社会的重要基础，并居于先导性的战略地位。在我国社会转型的新世纪、新阶段，法学教育不仅要为建设高素质的法律职业共同体服务，而且要面向全社会培养大批治 理国家、管理社会、发展经济的高层次法律人才。近年来，法学教育取得了长足的进步，法科数量增长很快，教育质量稳步提高，培养层次日渐完善，目前已经形成了涵盖本科生、第二学士学位生、法学硕士研究生、法律硕士研究生、法学博士研究生的完整的法学人才培养体系，接受法科教育已经成为莘莘学子的优先选择之一。随着中国法治事业的迅速发展，我们有理由相信，中国法学教育的事业大有可为，中国法学教育的前途充满光明。 为了预防和减少犯罪，我们需要对案发的客观条件做具体分析，从而为建造更和谐的美好社会做出努力。因此我对刑事案发率作出分析。 在犯罪与罪犯研究领域，常常会遇到彼此有关系的两列或多列变量。对于这些变量之间的关系，可以根据不同的研究目的，从不同的角度去分析。如果要分析变量之间关系的强度，我们可以采用相关分析的方法，但是，如果要确定变量之间所可能具有的数量关系，并将这种形式表示为某个数学模型，就需要用回归分析。 回归分析应用非常广泛。在犯罪学领域，如果建立了变量之间的数学模型，实际上就是确立了变量之间的关系模型，从而可以从某些变量的变化来预测其他变量的变化情况。例如，我国台湾学者杨家騄建立了物价指数与盗窃犯罪案件之间的数学模型，从而依据某年度的物价指数来预测该年度的盗窃案件数量；我国学者高树桥等在犯罪人的受教育年限与犯罪次数之间建立了数学模型，根据某犯罪人的教育年限，我们就可以预测其可能的犯罪次数。 但是，由于犯罪现象是一种非常复杂的社会现象，往往牵扯到多个变量之间的关系问题。因此在回归分析中常常需要分析两个及两个以上的自变量，分析变量之间的关系，推导出含有多个自变量的函数，这种方法就是多元回归分析。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此多元线性回归比一元线性回归的实用意义更大。多元回归分析要比一元回归分析更为科学，这是由事物的复杂性决定的。例如，盗窃案件的数量不单与价格指数有关，还受其他一系列因素的影响，国外有学者甚至研究了防盗门的销售量与盗窃案件的关系。可见，当我们研究某一个犯罪问题时，多元回归分析更为准确和有效。 多元回归自变量的个数很多，计算相当繁琐，一般手工计算几乎不大可能，我借助SPSS来满足计算要求。 一、 多元线性回归分析方法 多元线性回归简介： 多元线性回归的基本原理和基本计算过程与一元线性回归相同，但由于自变量个数多，计算相当麻烦，一般在实际中应用时都要借助统计软件。这里只介绍多元线性回归的一些基本问题。 但由于各个自变量的单位可能不一样，比如说一个消费水平的关系式中，工资水平、受教育程度、职业、地区、家庭负担等等因素都会影响到消费水平，而这些影响因素（自变量）的单位 显然是不同的，因此自变量前系数的大小并不能说明该因素的重要程度，更简单地来说，同样工资收入，如果用元为单位就比用 百元为单位所得的回归系数要小，但是工资水平对消费的影响程度并没有变，所以得想办法将各个自变量化到统一的单位上来。前面学到的标准分就有这个功能，具体到这里来说，就是将所有变量包括因变量都先转化为标准分，再进行线性回归，此时得到的回归系数就能反映对应自变量的重要程度。这时的回归方程称为标准回归方程，回归系数称为标准回归系数。 多元线性回归的数学模型为： 其 中，为应变量； 为p自变量。为常数项， 称为偏回归系数；为随机误差，又称残差，它是的变化中不能用自变量解释的部分，服从 ）分布。 多元线性回归分析的前提条件是：线性、独立、正态和等方差，在进行回归分析时，应当首先进行这些假设检验。 还有一个重要问题就是如何选择自变量。实际上，模型中包含的自变量是无法事先确定的，如果把一些不重要的或者对应变量影响很弱的变量引入模型，则会降低模型的精度。所以自变量的选择是必要的，基本思路是：尽可能将对应变量影响大的自变量选入回归方程中，并尽可能将对应变量影响小的自变量排除在外，这样才能建立最优方程。这里就涉及到筛选自变量的方法，现在比较常用的是逐步回归法。 这种方法的特点在于，每引入一个自变量，都会对已在方程中的变量进行检验，对符合剔除标准的变量要逐一剔除。 另外，在进行多元线性回归分析中，由于自变量之间还可能具有高度相关关系，导致所建立的模型的解释力受到削弱，因此，还要对模型进行多重共线性