它是什么： 回归分析是一种统计分析评估两个变量之间的关联。回归分析的建模与一个因变量（反应变量）的一个或多个，（解释变量）组成的独立变量的值数值数据分析的技术。回归方程中的变量被建模为一个独立变量，相应的参数的函数（“常量”），和一个误差项。误差项被视为一个随机变量。它代表了无法解释的因变量的变化。参数估计，以给予“最适合的数据”。最常见的是被评为最适合使用最小二乘法，但其他标准也被使用。

为什么使用它： 回归可用于预测（包括时间序列预测数据），推理，假设检验和因果关系的建模。这些回归使用依赖于大量的基本假设得到满足。

凡使用它： 为了查明和确定变量之间的数学关系，使预测的基础上，可预期的关系。

如何使用它： 回归模型预测的 y变量的值给定的X变量的已知值。如果预测是要做内用来构建这个模型是已知的x内插变量值的范围。以外的用于构建模型的预测数据的范围被称为推断，这是风险更大。

重要事项：

• 即使当一个变量之间的关系存在，直线不能总是定义关系。

古典的回归分析假设还包括：

• 该样本必须是人口预测为代表的推论。
• 该错误是假定有可能为零有条件的解释性变量意味着一个随机变量。
• 独立变量是错误。如果情况并非如此，建模可以完成使用错误中，变量的模型技术。
• 线性的预测必须是独立的，也就是说，它不能发表任何有可能作为别人的线性组合预测。见多重共线性。
• 这些错误是不相关的，即方差协方差矩阵是对角的误差，每个非零元素是错误的变异。
• 该错误的差异是在观测固定（homoscedasticity）。如果没有，加权最小二乘或其他方法可以使用。

这些是足够的（但不是所有的必要）的最小二乘估计的条件，具备理想的性能，特别是，这些假设意味着，参数估计将是公正，一致，并在有效的线性无偏估计类。这些假设可能会放宽许多较先进的治疗方法。

名称 格式 预览 (点击放大)   单回归模板第1 页   多元回归模板第 1页   多元回归模板第 2页   多元回归模板第 3页

请在购买之前,阅读并同意此条款和条件。 美元 $14.95 我已阅读并同意 条款和条件。