多元线性回归讲解学习
简要回答题：
1. 在多元线性回归分析中，F检验和t检验有何不同？
答案：
在多元线性回归中，由于有多个自变量，F检验与t检验不是等价的。
F检验主要是检验因变量同多个自变量的整体线性关系是否显著，在k个自变量中，只要有一个自变量同因变量的线性关系显著，F检验就显著，但这不一定意味着每个自变量同因变量的关系都显著。检验则是对每个回归系数分别进行单独的检验，以判断每个自变量对因变量的影响是否显著。
知识点：多元线性回归
难易度：1
2. 在多元线性回归分析中，如果某个回归系数的t检验不显著，是否就意味着这个自变量与因变量之间的线性回归不显著？为什么？当出现这种情况时应如何处理？
答案：
（1）在多元线性回归分析中，当t检验表明某个回归系数不显著时，也不能断定这个自变量与因变量之间线性关系就不显著。因为当多个自变量之间彼此显著相关时，就可能造成某个或某些回归系数通不过检验，这种情况称为模型中存在多重共线性。
（2）当模型中存在多重共线性时，应对自变量有所选择。变量选择的方法主要有向前选择、向后剔除和逐步回归等。
知识点：多元线性回归
难易度：2
计算分析题：
1. 一家餐饮连锁店拥有多家分店。管理者认为，营业额的多少与各分店的营业面积和服务人员的多少有一定关系，并试图建立一个回归模型，通过营业面积和服务人员的多少来预测营业额。为此，收集到10家分店的营业额（万元）、营业面积（平方米）和服务人员数（人）的数据。经回归得到下面的有关结果（a=0.05）。
Multiple R R Square Adjusted R Square 标准误差
0.9147 0.8366 0.7899 60.7063
df SS MS F Significance F
回归 2 132093.199 66046.600 17.922 0.002
残差7 25796.801 3685.257
总计9 157890.000
Coefficients 标准误差t Stat P-value
Intercept -115.288 110.568 -1.043 0.332
X Variable 1 0.578 0.503 1.149 0.288
X Variable 2 3.935 0.699 5.628 0.001
（2）写出多元线性回归方程。
（3）分析回归方程的拟合优度。
（4）对回归模型的线性关系进行显著性检验。
答案：
（1）自变量是营业面积和销售人员数，因变量是营业额。
（2）多元线性回归方程为：。
（3）判定系数，表明在营业额的总变差中，有83.66%可由营业额与营业面积和服务人
员数之间的线性关系来解释，说明回归方程的拟合程度较高。估计标准误差，表示用营业面积和服务人员数来预测营业额时，平均的预测误差为60.7036万元。
（4）从方差分析表可以看出，，营业额与营业面积和服务人员
数之间的线性模型是显著的。
知识点：多元线性回归
难易度：2
2. 机抽取的15家超市，对它们销售的同类产品集到销售价格、购进价格和销售费用的有关数据（单位：元）。设销售价格为y、购进价格为、销售费用为，经回归得到下面的有关结果（a=0.05）：
df SS MS F Significance F
回归 2 61514.17 30757.09 12.88 0.0010
残差12 28646.76 2387.23
总计14 90160.93
Coefficients 标准误差 t Stat P-value
Intercept 637.07 112.63 5.66 0.0001
X Variable 1 0.18 0.08 2.33 0.0380
X Variable 2 1.59 0.34 4.71 0.0005
（2）计算判定系数，并解释其实际意义。
（3）计算估计标准误差，并解释其意义。
（4）根据上述结果，你认为用购进价格和销售费用来预测销售价格是否都有用？请说明理由。
答案：
（1）多元线性回归方程为：。偏回归系数表示：在销售费用
不变的条件下，购进价格每增加1元，销售价格平均增加0.18元；偏回归系数表示：在购进价格不变的条件下，销售费用每增加1元，销售价格平均增加1.59元。
（2）判定系数，表明在销售价格总变差中，有68.23%可由销售价格与购进价格和销售费用之间的线性关系来解释，说明回归方程的拟合程度一般。
（3）估计标准误差，表示用购进价格和销售费用来预测
销售价格时，平均的预测误差为48.86元。
（4）都有用。因为两个回归系数检验的值均小于0.05，都是显著的。
知识点：多元线性回归
难易度：3
3. 经济和管理专业的学生在学习统计学课程之前，通常已经学过概率统计课程。经验表明，统计学考试成绩的高低与概率统计的考试成绩密切相关，而且与期末复习时间的多少也有很强的关系。根据随机抽取的15名学生的一个样本，得到统计学考试分数、概率统计的考试分数和期末统计学的复习
时间（单位：小时）数据，经回归得到下面的有关结果（a=0.05）：
df SS MS F Significance F
回归 2 A B D 0.01
残差12 418.46 C
总计14 900.86
Coefficients 标准误差t Stat P-value
Intercept -15.533 33.695 -0.461 0.653
X Variable 1 0.703 0.203 3.465 0.005
X Variable 2 1.710 0.676 2.527 0.027
（2）计算判定系数，并解释其实际意义。
（3）计算估计标准误差，并解释其意义。
答案：
（1）A=900.86-418.46=482.40；B=482.40÷2=241.20；C=418.46÷12=34.87；D=241.20÷34.87=6.92。
（2）判定系数，表明在统计学考试成绩的总变差中，有53.55%可由统
计学考试成绩与概率统计成绩和期末复习时间之间的线性关系来解释，说明回归方程的拟合程度一般。
（3）估计标准误差，表示概率统计成绩和期末复习时间来
预测统计学成绩时，平均的预测误差为5.905分。
知识点：多元线性回归
难易度：3
4. 国家统计局定期公布各类价格指数。为了预测居民消费价格指数，收集到2002年～2006年间的几种主要价格指数，包括商品零售价格指数、工业品出厂价格指数，原材料、燃料、动力购进价格指数，固定资产投资价格指数等，这些指数都是以上年为100而计算百分比数字。以居民消费价格指数为因
变量，自变量分别为商品零售价格指数（），工业品出厂价格指数（），原材料、燃料、动力购进价格指数（），固定资产投资价格指数（）。经回归得到下面的有关结果（a=0.05）：
Multiple R R Square Adjusted R Square 标准误差
0.9980 0.9961 0.9945 0.5636
df SS MS F Significance F
回归 4 804.25 201.06 632.99 5.64E-12
残差10 3.18 0.32
总计14 807.43
Coefficients 标准误差t Stat P-value
Intercept -2.972 3.154 -0.942 0.36831
X Variable 1 1.046 0.101 10.361 1.1E-06
X Variable 2 0.074 0.219 0.337 0.74297
X Variable 3 -0.074 0.142 -0.523 0.61245
X Variable 4 -0.001 0.054 -0.018 0.9858
答案：
（1）判定系数，调整后的判定系数，回归方程的拟合优度非常高。估计标准误差，其他4个价格指数来预测居民消费价格指数时，预测的误差较小。
（2）从方差分析表可以看出，，表明居民消费价格指数与
其他4个价格指数之间的线性关系显著。
（3）但从各回归系数检验的P值看，4个价格指数中，只有商品零售价格指数是显著的，而其余3个均不显著。但这并不意味着这3个价格指数与居民消费价格指数之间的线性关系就不显著，产生这种情况的原因，可能是由于模型中存在多重共线性造成的。因此，可考虑使用逐步回归方法进行回归分析。
知识点：多元线性回归
难易度：3
5. 下面是因变量y与两个自变量和进行逐步回归得到的有关结果。
（1）在上述结果中，两个自变量对预测y都有用吗（a=0.05）？
（2）写出含有两个自变量的二元线性回归方程，它的判定系数是多少？估计标准误差是多少？回归模型的线性关系是否显著？
答案：
（1）都有用。因为从两个回归系数检验的P值看，均小于显著性水平0.05。
（2）二元线性回归方程为：。判定系数，标准误差
。从方差分析表可以看出，，该二元线性回归模型的线性关系
是显著的。
知识点：多元线性回归
难易度：2
6. 一家产品销售公司在30个地区设有销售分公司。为研究产品销售量(y)与该公司的销售价格（）、
各地区的年人均收入()、广告费用()之间的关系，搜集到30个地区的有关数据。利用Excel得到下面的回归结果（a=0.05）：
变差来源 df SS MS F Significance F
回归4008924.7 8.88341E-13
残差——
总计29 13458586.7 ———
Coefficients 标准误差t Stat P-value
Intercept 7589.1025 2445.0213 3.1039 0.00457
X Variable 1 -117.8861 31.8974 -3.6958 0.00103
X Variable 2 80.6107 14.7676 5.4586 0.00001
X Variable 3 0.5012 0.1259 3.9814 0.00049
(2) 写出销售量与销售价格、年人均收入、广告费用的多元线性回归方程，并解释各回归系数的意义。
(3) 检验回归方程的线性关系是否显著？
(4) 计算判定系数，并解释它的实际意义。
(5) 计算估计标准误差，并解释它的实际意义。
答案：
变差来源df SS MS F Significance F
回归 3 12026774.1 4008924.7 72.80 8.88341E-13
残差26 1431812.6 55069.7 ——
总计29 13458586.7 ———
。
表示：在年人均收入和广告费用不变的情况下，销售价格每增加一个单位，销售量平均下降117.8861个单位；表示：在销售价格和广告费用不变的情况下，年人均收入每
增加一个单位，销售量平均增加80.6107个单位；表示：在年销售价格和人均收入不变的
情况下，广告费用每增加一个单位，销售量平均增加0.5012个单位。
（3）由于Significance F=8.88341E-13 （4），表明在销售量的总变差中，被估计的多元线性回归方程所解释的比例为89.36%，说明回归方程的拟合程度较高。 （5）。表明用销售价格、年人均收入和广告费用来预测销售量时，平均的预测误差为234.67。 1. 表1列出了某地区家庭人均鸡肉年消费量Y 与家庭月平均收入X ，鸡肉价格P 1，猪肉价格P 2与牛肉价格P 3的相关数据。 年份 Y/千 克 X/ 元 P 1/(元/千克) P 2/(元/千克) P 3/(元/千克) 年份 Y/千克 X/元 P 1/(元/ 千克) P 2/(元/ 千克) P 3/(元/千克) 1980 2.78 397 4.22 5.07 7.83 1992 4.18 911 3.97 7.91 11.40 1981 2.99 413 3.81 5.20 7.92 1993 4.04 931 5.21 9.54 12.41 1982 2.98 439 4.03 5.40 7.92 1994 4.07 1021 4.89 9.42 12.76 1983 3.08 459 3.95 5.53 7.92 1995 4.01 1165 5.83 12.35 14.29 1984 3.12 492 3.73 5.47 7.74 1996 4.27 1349 5.79 12.99 14.36 1985 3.33 528 3.81 6.37 8.02 1997 4.41 1449 5.67 11.76 13.92 1986 3.56 560 3.93 6.98 8.04 1998 4.67 1575 6.37 13.09 16.55 1987 3.64 624 3.78 6.59 8.39 1999 5.06 1759 6.16 12.98 20.33 1988 3.67 666 3.84 6.45 8.55 2000 5.01 1994 5.89 12.80 21.96 1989 3.84 717 4.01 7.00 9.37 2001 5.17 2258 6.64 14.10 22.16 1990 4.04 768 3.86 7.32 10.61 2002 5.29 2478 7.04 16.82 23.26 1991 4.03 843 3.98 6.78 10.48 （1） 求出该地区关于家庭鸡肉消费需求的如下模型： 01213243ln ln ln ln ln Y X P P P u βββββ=+++++ （2） 请分析，鸡肉的家庭消费需求是否受猪肉及牛肉价格的影响。 先做回归分析，过程如下： 输出结果如下： 野外实习资料的数理统计分析 一元线性回归分析 一元回归处理的是两个变量之间的关系，即两个变量X和Y之间如果存在一定的关系，则通过观测所得数据，找出两者之间的关系式。如果两个变量的关系大致是线性的，那就是一元线性回归问题。 对两个现象X和Y进行观察或实验，得到两组数值：X1，X2,…，Xn和Y1，Y2，…，Yn,假如要找出一个函数Y=f(X),使它在 X=X1,X2, …,Xn时的数值f(X1),f(X2), …,f(Xn)与观察值Y1，Y2，…，Yn趋于接近。 在一个平面直角坐标XOY中找出（X1，Y1），（X2，Y2），…，（Xn，Yn）各点，将其各点分布状况进行察看，即可以清楚地看出其各点分布状况接近一条直线。对于这种线性关系，可以用数学公式表示： Y = a + bX 这条直线所表示的关系，叫做变量Y对X的回归直线，也叫Y对X 的回归方程。其中a为常数，b为Y对于X的回归系数。 对于任何具有线性关系的两组变量Y与X，只要求解出a与b的值，即可以写出回归方程。计算a与b值的公式为： 式中：为变量X的均值，Xi为第i个自变量的样本值，为因变量的均值，Yi为第i个因变量Y的样本值。n为样本数。 当前一般计算机的Microsoft Excel中都有现成的回归程序，只要将所获得的数据录入就可自动得到回归方程。 得到的回归方程是否有意义，其相关的程度有多大，可以根据相关系数的大小来决定。通常用r来表示两个变量X和Y之间的直线相关程度，r为X和Y的相关系数。r值的绝对值越大，两个变量之间的相关程度就越高。当r为正值时，叫做正相关，r为负值时叫做负相关。r 的计算公式如下： 式中各符号的意义同上。 在求得了回归方程与两个变量之间的相关系数后，可以利用F检验法、t检验法或r检验法来检验两个变量是否显著相关。具体的检验方法在后面介绍。 简要回答题： 1. 在多元线性回归分析中，F检验和t检验有何不同？ 答案： 在多元线性回归中，由于有多个自变量，F检验与t检验不是等价的。 F检验主要是检验因变量同多个自变量的整体线性关系是否显著，在k个自变量中，只要有一个自变量同因变量的线性关系显著，F检验就显著，但这不一定意味着每个自变量同因变量的关系都显著。检验则是对每个回归系数分别进行单独的检验，以判断每个自变量对因变量的影响是否显著。 知识点：多元线性回归 难易度：1 2. 在多元线性回归分析中，如果某个回归系数的t检验不显著，是否就意味着这个自变量与因变量之间的线性回归不显著为什么当出现这种情况时应如何处理？ 答案： （1）在多元线性回归分析中，当t检验表明某个回归系数不显著时，也不能断定这个自变量与因变量之间线性关系就不显著。因为当多个自变量之间彼此显著相关时，就可能造成某个或某些回归系数通不过检验，这种情况称为模型中存在多重共线性。 （2）当模型中存在多重共线性时，应对自变量有所选择。变量选择的方法主要有向前选择、向后剔除和逐步回归等。 知识点：多元线性回归 难易度：2 计算分析题： 1. 一家餐饮连锁店拥有多家分店。管理者认为，营业额的多少与各分店的营业面积和服务人员的多少有一定关系，并试图建立一个回归模型，通过营业面积和服务人员的多少来预测营业额。为此，收集到10家分店的营业额（万元）、营业面积（平方米）和服务人员数（人）的数据。经回归得到下面的有关结果（a=）。 （2）写出多元线性回归方程。 （3）分析回归方程的拟合优度。 （4）对回归模型的线性关系进行显著性检验。 答案： （1）自变量是营业面积和销售人员数，因变量是营业额。 （2）多元线性回归方程为：。 （3）判定系数，表明在营业额的总变差中，有%可由营业额与营业面积和服务人员数 之间的线性关系来解释，说明回归方程的拟合程度较高。估计标准误差，表示用营业面积和服务人员数来预测营业额时，平均的预测误差为万元。 （4）从方差分析表可以看出，，营业额与营业面积和服务人员 数之间的线性模型是显著的。 知识点：多元线性回归 难易度：2 2. 机抽取的15家超市，对它们销售的同类产品集到销售价格、购进价格和销售费用的有关数据（单位：元）。设销售价格为y、购进价格为、销售费用为，经回归得到下面的有关结果（a=）： df SS MS F Significance F — 2 回归 残差12& 总计14 P-value Coefficients标准误差~ t Stat Intercept X Variable 1! X Variable 2 （2）计算判定系数，并解释其实际意义。 （3）计算估计标准误差，并解释其意义。 （4）根据上述结果，你认为用购进价格和销售费用来预测销售价格是否都有用请说明理由。 答案： （1）多元线性回归方程为：。偏回归系数表示：在销售费用不变的条件下，购进价格每增加1元，销售价格平均增加元；偏回归系数表示：在购进价格不变的条件下，销售费用每增加1元，销售价格平均增加元。 （2）判定系数，表明在销售价格总变差中，有%可由销售价格与购进价格和销售费用之间的线性关系来解释，说明回归方程的拟合程度一般。 中国税收增长的分析 一、研究的目的要求 改革开放以来，随着经济体制的改革深化和经济的快速增长，中国的财政收支状况发生了很大的变化，中央和地方的税收收入1978年为519.28亿元到2002年已增长到17636.45亿元25年间增长了33倍。为了研究中国税收收入增长的主要原因，分析中央和地方税收收入的增长规律，预测中国税收未来的增长趋势，需要建立计量经济学模型。 影响中国税收收入增长的因素很多，但据分析主要的因素可能有：（1）从宏观经济看，经济整体增长是税收增长的基本源泉。（2）公共财政的需求，税收收入是财政的主体，社会经济的发展和社会保障的完善等都对公共财政提出要求，因此对预算指出所表现的公共财政的需求对当年的税收收入可能有一定的影响。（3）物价水平。我国的税制结构以流转税为主，以现行价格计算的DGP等指标和和经营者收入水平都与物价水平有关。（4）税收政策因素。我国自1978年以来经历了两次大的税制改革，一次是1984—1985年的国有企业利改税，另一次是1994年的全国范围内的新税制改革。税制改革对税收会产生影响，特别是1985年税收陡增215.42%。但是第二次税制改革对税收的增长速度的影响不是非常大。因此可以从以上几个方面，分析各种因素对中国税收增长的具体影响。 二、模型设定 为了反映中国税收增长的全貌，选择包括中央和地方税收的‘国家财政收入’中的“各项税收”（简称“税收收入”）作为被解释变量，以放映国家税收的增长；选择“国内生产总值（GDP）”作为经济整体增长水平的代表；选择中央和地方“财政支出”作为公共财政需求的代表；选择“商品零售物价指数”作为物价水平的代表。由于税制改革难以量化，而且1985年以后财税体制改革对税收增长影响不是很大，可暂不考虑。所以解释变量设定为可观测“国内生产总值（GDP）”、“财政支出”、“商品零售物价指数” 从《中国统计年鉴》收集到以下数据 财政收入（亿元） Y 国内生产总值(亿 元） X2 财政支出（亿 元） X3 商品零售价格指 数（%) X4 1978519.283624.11122.09100.7 1979537.824038.21281.79102 1980571.74517.81228.83106 SPSS 统计分析 多元线性回归分析方法操作与分析 实验目的： 引入1998~2008年上海市城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率和房屋空置率作为变量，来研究上海房价的变动因素。 实验变量： 以年份、商品房平均售价（元/平方米）、上海市城市人口密度(人/平方公里)、城市居民人均可支配收入(元)、五年以上平均年贷款利率(%)和房屋空置率(%)作为变量。 实验方法：多元线性回归分析法 软件：spss19.0 操作过程： 第一步：导入Excel数据文件 1.open data document——open data——open； 2. Opening excel data source——OK. 第二步： 1.在最上面菜单里面选中Analyze——Regression——Linear ，Dependent（因变量）选择商品房平均售价，Independents（自变量）选择城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率、房屋空置率；Method 选择Stepwise. 进入如下界面： 2.点击右侧Statistics，勾选Regression Coefficients（回归系数）选项组中的Estimates；勾选Residuals（残差）选项组中的Durbin-Watson、Casewise diagnostics默认；接着选择Model fit、Collinearity diagnotics；点击Continue. 3.点击右侧Plots，选择*ZPRED（标准化预测值）作为纵轴变量，选择DEPENDNT（因变量）作为横轴变量；勾选选项组中的Standardized Residual Plots（标准化残差图）中的Histogram、Normal probability plot；点击Continue. 4.点击右侧Save，勾选Predicted Vaniues（预测值）和Residuals（残差）选项组中的Unstandardized；点击Continue. SPSS--回归-多元线性回归模型案例解析！(一） 多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些而已，例如：一元线性回归方程为： 毫无疑问，多元线性回归方程应该为： 上图中的x1, x2, xp分别代表“自变量”Xp截止，代表有P个自变量，如果有“N组样本，那么这个多元线性回归，将会组成一个矩阵，如下图所示： 那么，多元线性回归方程矩阵形式为： 其中：代表随机误差，其中随机误差分为：可解释的误差和不可解释的误差，随机误差必须满足以下四个条件，多元线性方程才有意义（一元线性方程也一样） 1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。 2：无偏性假设，即指：期望值为0 3：同共方差性假设，即指，所有的随机误差变量方差都相等 4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协方差解释。 今天跟大家一起讨论一下，SPSS---多元线性回归的具体操作过程，下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。数据如下图所示： 点击“分析”——回归——线性——进入如下图所示的界面： 将“销售量”作为“因变量”拖入因变量框内，将“车长，车宽，耗油率，车净重等10个自变量拖入自变量框内，如上图所示，在“方法”旁边，选择“逐步”，当然，你也可以选择其它的方式，如果你选择“进入”默认的方式，在分析结果中，将会得到如下图所示的结果：（所有的自变量，都会强行进入） 如果你选择“逐步”这个方法，将会得到如下图所示的结果：（将会根据预先设定的“F统计量的概率值进行筛选，最先进入回归方程的“自变量”应该是跟“因变量”关系最为密切，贡献最大的，如下图可以看出，车的价格和车轴跟因变量关系最为密切，符合判断条件的概率值必须小于0.05，当概率值大于等于0.1时将会被剔除） 我国农民收入影响因素的回归分析 本文力图应用适当的多元线性回归模型,对有关农民收入的历史数据和现状进行分析,探讨影响农民收入的主要因素,并在此基础上对如何增加农民收入提出相应的政策建议。?农民收入水平的度量常采用人均纯收入指标。影响农民收入增长的因素是多方面的，既有结构性矛盾因素，又有体制性障碍因素。但可以归纳为以下几个方面：一是农产品收购价格水平。二是农业剩余劳动力转移水平。三是城市化、工业化水平。四是农业产业结构状况。五是农业投入水平。考虑到复杂性和可行性，所以对农业投入与农民收入，本文暂不作讨论。因此，以全国为例，把农民收入与各影响因素关系进行线性回归分析，并建立数学模型。 一、计量经济模型分析 (一)、数据搜集 根据以上分析，我们在影响农民收入因素中引入7个解释变量。即：2x -财政用于农业的支出的比重，3x -第二、三产业从业人数占全社会从业人数的比重，4x -非农村人口比重，5x -乡村从业人员占农村人口的比重，6x -农业总产值占农林牧总产值的比重，7x -农作物播种面积，8x —农村用电量。 资料来源《中国统计年鉴2006》。 (二)、计量经济学模型建立 我们设定模型为下面所示的形式： 利用Eviews 软件进行最小二乘估计，估计结果如下表所示： DependentVariable:Y Method:LeastSquares Sample: Includedobservations:19 Variable Coefficient t-Statistic Prob. C X1 X3 X4 X5 X6 X7 X8 R-squared Meandependentvar AdjustedR-squared 表1最小二乘估计结果 回归分析报告为： () ()()()()()()()()()()()()()()() 2345678 2? -1102.373-6.6354X +18.2294X +2.4300X -16.2374X -2.1552X +0.0100X +0.0634X 375.83 3.7813 2.066618.37034 5.8941 2.77080.002330.02128 -2.933 1.7558.820900.20316 2.7550.778 4.27881 2.97930.99582i Y SE t R ===---=230.99316519 1.99327374.66 R Df DW F ====二、计量经济学检验 (一)、多重共线性的检验及修正 ①、检验多重共线性 (a)、直观法 从“表1最小二乘估计结果”中可以看出，虽然模型的整体拟合的很好，但是x4x6 多元线性回归模型的案 例讲解 Document number：NOCG-YUNOO-BUYTT-UU986-1986UT 1. 表1列出了某地区家庭人均鸡肉年消费量Y 与家庭月平均收入X ，鸡肉价格P 1，猪肉价格P 2与牛肉价格P 3的相关数据。 年份 Y/ 千克 X/元 P 1/(元/千克) P 2/(元/千克) P 3/(元/千克) 年份 Y/ 千克 X/元 P 1/(元/千克) P 2/(元/千克) P 3/(元/ 千克) 1980 397 1992 911 1981 413 1993 931 1982 439 1994 1021 1983 459 1995 1165 1984 492 1996 1349 1985 528 1997 1449 1986 560 1998 1575 1987 624 1999 1759 1988 666 2000 1994 1989 717 2001 2258 1990 768 2002 2478 1991 843 （1） 求出该地区关于家庭鸡肉消费需求的如下模型： 01213243ln ln ln ln ln Y X P P P u βββββ=+++++ （2） 请分析，鸡肉的家庭消费需求是否受猪肉及牛肉价格的影响。 先做回归分析，过程如下： 输出结果如下： 所以，回归方程为： 123ln 0.73150.3463ln 0.5021ln 0.1469ln 0.0872ln Y X P P P =-+-++ 由上述回归结果可以知道，鸡肉消费需求受家庭收入水平和鸡肉价格的影响，而牛肉价格和猪肉价格对鸡肉消费需求的影响并不显着。 验证猪肉价格和鸡肉价格是否有影响，可以通过赤池准则（AIC ）和施瓦茨准则（SC ）。若AIC 值或SC 值增加了，就应该去掉该解释变量。 去掉猪肉价格P 2与牛肉价格P 3重新进行回归分析，结果如下： Variable Coefficient Std. Error t-Statistic Prob.?? C LOG(X) LOG(P1) R-squared ????Mean dependent var Adjusted R-squared ????. dependent var . of regression ????Akaike info criterion Sum squared resid ????Schwarz criterion Log likelihood ????F-statistic Durbin-Watson stat ????Prob(F-statistic) 多元线性回归模型案例分析 ——中国人口自然增长分析一·研究目的要求 中国从1971年开始全面开展了计划生育,使中国总和生育率很快从1970年的5.8降到1980年2.24,接近世代更替水平。此后，人口自然增长率（即人口的生育率）很大程度上与经济的发展等各方面的因素相联系，与经济生活息息相关，为了研究此后影响中国人口自然增长的主要原因，分析全国人口增长规律，与猜测中国未来的增长趋势，需要建立计量经济学模型。 影响中国人口自然增长率的因素有很多，但据分析主要因素可能有：（1）从宏观经济上看，经济整体增长是人口自然增长的基本源泉；（2）居民消费水平，它的高低可能会间接影响人口增长率。(3)文化程度，由于教育年限的高低，相应会转变人的传统观念，可能会间接影响人口自然增长率（4）人口分布，非农业与农业人口的比率也会对人口增长率有相应的影响。 二·模型设定 为了全面反映中国“人口自然增长率”的全貌，选择人口增长率作为被解释变量，以反映中国人口的增长；选择“国名收入”及“人均GDP”作为经济整体增长的代表；选择“居民消费价格指数增长率”作为居民消费水平的代表。暂不考虑文化程度及人口分布的影响。 从《中国统计年鉴》收集到以下数据（见表1）： 表1 中国人口增长率及相关数据 设定的线性回归模型为： 1222334t t t t t Y X X X u ββββ=++++ 三、估计参数 利用EViews 估计模型的参数，方法是： 1、建立工作文件：启动EViews ，点击File\New\Workfile ，在对 话框“Workfile Range ”。在“Workfile frequency ”中选择“Annual ” (年度)，并在“Start date ”中输入开始时间“1988”，在“end date ”中输入最后时间“2005”，点击“ok ”，出现“Workfile UNTITLED ”工作框。其中已有变量：“c ”—截距项 “resid ”—剩余项。在“Objects ”菜单中点击“New Objects”，在“New Objects”对话框中选“Group”，并在“Name for Objects”上定义文件名，点击“OK ”出现数据编辑窗口。 年份 人口自然增长率 （%。） 国民总收入（亿元） 居民消费价格指数增长 率（CPI ）% 人均GDP （元） 1988 15.73 15037 18.8 1366 1989 15.04 17001 18 1519 1990 14.39 18718 3.1 1644 1991 12.98 21826 3.4 1893 1992 11.6 26937 6.4 2311 1993 11.45 35260 14.7 2998 1994 11.21 48108 24.1 4044 1995 10.55 59811 17.1 5046 1996 10.42 70142 8.3 5846 1997 10.06 78061 2.8 6420 1998 9.14 83024 -0.8 6796 1999 8.18 88479 -1.4 7159 2000 7.58 98000 0.4 7858 2001 6.95 108068 0.7 8622 2002 6.45 119096 -0.8 9398 2003 6.01 135174 1.2 10542 2004 5.87 159587 3.9 12336 2005 5.89 184089 1.8 14040 2006 5.38 213132 1.5 16024 SPSS--回归-多元线性回归模型案例解析！(一) 多元线性回归,主要就是研究一个因变量与多个自变量之间的相关关系,跟一元回归原理差不多,区别在于影响因素(自变量)更多些而已,例如:一元线性回归方程 为: 毫无疑问,多元线性回归方程应该 为: 上图中的 x1, x2, xp分别代表“自变量”Xp截止,代表有P个自变量,如果有“N组样本,那么这个多元线性回归,将会组成一个矩阵,如下图所示: 那么,多元线性回归方程矩阵形式为: 其中:代表随机误差, 其中随机误差分为:可解释的误差与不可解释的误差,随机误差必须满足以下四个条件,多元线性方程才有意义(一元线性方程也一样) 1:服成正太分布,即指:随机误差必须就是服成正太分别的随机变量。 2:无偏性假设,即指:期望值为0 3:同共方差性假设,即指,所有的随机误差变量方差都相等 4:独立性假设,即指:所有的随机误差变量都相互独立,可以用协方差解释。 今天跟大家一起讨论一下,SPSS---多元线性回归的具体操作过程,下面以教程教程数据为例,分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系,建立拟合多元线性回归模型。数据如下图所示: 点击“分析”——回归——线性——进入如下图所示的界面: 将“销售量”作为“因变量”拖入因变量框内, 将“车长,车宽,耗油率,车净重等10个自变量拖入自变量框内,如上图所示,在“方法”旁边,选择“逐步”,当然,您也可以选择其它的方式,如果您选择“进入”默认的方式,在分析结果中,将会得到如下图所示的结果:(所有的自变量,都会强行进入) 如果您选择“逐步”这个方法,将会得到如下图所示的结果:(将会根据预先设定的“F统计量的概率值进行筛选,最先进入回归方程的“自变量”应该就是跟“因变量”关系最为密切, 3.3 多元线性回归模型的检验 一、判断题 1、在线性回归模型中，为解释变量或者被解释变量重新选取单位（比如，元变换成千元），会影响t 统计量和 2R 的数值。（ F ） 2、在多元线性回归中，t 检验和F 检验缺一不可。 （ T ） 3、回归方程总体线性显著性检验的原假设是模型中所有的回归参数同时为零。 （ F ） 4、多元线性回归中，可决系数2R 是评价模型拟合优度好坏的最佳标准。 （ F ） 二 、单项选择 1、在模型0112233t t t t t Y X X X ββββμ=++++的回归分析结果中，有462.58F =， 0.000000F p =的值，则表明 （ C ） A 、解释变量2t X 对t Y 的影响不显著 B 、解释变量1t X 对t Y 的影响显著 C 、模型所描述的变量之间的线性关系总体上显著 D 、解释变量2t X 和1t X 对t Y 的影响显著 2、设k 为回归模型中的实解释变量的个数，n 为样本容量。则对回归模型进行总体显著性 检验(F 检验)时构造的F 统计量为 （ A ） A 、1)ESS k F RSS n k =-- B 、(1)() ESS k F RSS n k -=- C 、ESS F RSS = D 、1RSS F TSS =- 3、在多元回归中，调整后的可决系数2R 与可决系数2 R 的关系为 （ A ） A 、2 2R R < B 、22R R > C 、22R R = D 、2R 与2R 的关系不能确定 4、根据调整的可决系数2R 与F 统计量的关系可知，当21R =时，有 （ C ） A 、F=0 B 、F=－1 C 、F →+∞ D 、F=-∞ 5、下面哪一表述是正确的 （ D ） A 、线性回归模型01i i i Y X ββμ=++的零均值假设是指1 10n i i n μ==∑ B 、对模型01122i i i i Y X X βββμ=+++进行方程显著性检验（即F 检验），检验的零假 设是0012:0H βββ=== C 、相关系数较大意味着两个变量存在较强的因果关系 D 、当随机误差项的方差估计量等于零时，说明被解释变量与解释变量之间为函数关系 5、对于01122????i i i k ki i Y X X X e ββββ=+++++…，如果原模型满足线性模型的基本假设则 在零假设0j β=下，统计量??()j j s ββ（其中?()j s β是j β的标准误差）服从 （B ） 龙源期刊网 https://www.360docs.net/doc/552131627.html, 多元线性回归分析实例分析 作者：王华丽 来源：《科技资讯》2014年第29期 摘要：多元线性回归是简单线性回归的推广，研究的是一个变量与多个变量之间的依赖 关系。作为质量统计软件领域的领导者，MINITAB是一个精确的、强大的、使用方便的统计软件。多元回归分析预测法，是指通过对两个或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。当自变量与因变量之间存在线性关系时，称为多元线性回归分析。该文通过一个具体实例介绍如何运用MINITAB软件，建立儿子身高与父母身高、年锻炼次数的多元线性回归模型，并对MINITAB的输出结果进行分析，得出方程效果良好的结论。 关键词：MINITAB软件多元线性回归显著性实例分析 中图分类号：O212 文献标识码：A 文章编号：1672-3791（2014）10（b）-0022-02 回归分析是数据分析中使用很多的一种方法。回归分析是定量的给出变量间的变化规律，它不仅提供变量间的回归方程，而且可以判断所建立回归方程的有效性。在方程有效性的前提下，可以用方程做预测和控制，并了解预测和控制的精度。多元回归分析预测法，是指通过对两个或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。当自变量与因变量之间存在线性关系时，称为多元线性回归分析。 MINITAB软件是现代质量管理统计的领导者，全球六西格玛实施的共同语言，它以无可比拟的强大功能和简易的可视化操作获得了广大质量学者和统计专家的青睐。MINITAB软件是为质量改善、教育和研究应用领域提供统计软件和服务，是质量管理和六西格玛实施软件工具，更是持续质量改进的良好工具软件。 1 多元线性回归分析的一般模型 多元线性回归分析的一般模型为：设是个自变量（解释变量），是因变量，多元线性回归模型的理论假设是 其中，是个未知参数，称为回归常数，称为回归系数，为随机误差。 2 MINITAB软件建立模型 下面通过一个实例来详细讲解，如何运用MINITAB软件进行多元线性回归。现抽取20 个家庭调查资料的部分变量，数据见表1，试对父母身高与儿子身高进行回归分析。 第三章 多元线性回归模型案例 一、邹式检验（突变点检验、稳定性检验） 1.突变点检验 1985—2002年中国家用汽车拥有量（t y ，万辆）与城镇居民家庭人均可支配收入（t x ，元），数据见表3.1。 表3.1 中国家用汽车拥有量（t y ）与城镇居民家庭人均可支配收入（t x ）数据 年份 t y （万辆） t x （元） 年份 t y （万辆） t x （元） 1985 28.49 739.1 1994 205.42 3496.2 1986 34.71 899.6 1995 249.96 4283 1987 42.29 1002.2 1996 289.67 4838.9 1988 60.42 1181.4 1997 358.36 5160.3 1989 73.12 1375.7 1998 423.65 5425.1 1990 81.62 1510.2 1999 533.88 5854 1991 96.04 1700.6 2000 625.33 6280 1992 118.2 2026.6 2001 770.78 6859.6 1993 155.77 2577.4 2002 968.98 7702.8 下图是关于t y 和t x 的散点图： 从上图可以看出，1996年是一个突变点，当城镇居民家庭人均可支配收入突破4838.9元之后，城镇居民家庭购买家用汽车的能力大大提高。现在用邹突变点检验法检验1996年是不是一个突变点。 H 0：两个子样本（1985—1995年，1996—2002年）相对应的模型回归参数相等 H 1：备择假设是两个子样本对应的回归参数不等。 在1985—2002年样本范围内做回归。 多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些而已，例如：一元线性回归方程为：毫无疑问，多元线性回归方程应该为： 上图中的 x1, x2, xp分别代表“自变量”Xp截止，代表有P个自变量，如果有“N组样本，那么这个多元线性回归，将会组成一个矩阵，如下图所示： 那么，多元线性回归方程矩阵形式为： 其中：代表随机误差，其中随机误差分为：可解释的误差和不可解释的误差，随机误差必须满足以下四个条件，多元线性方程才有意义（一元线性方程也一样）1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。 2：无偏性假设，即指：期望值为0 3：同共方差性假设，即指，所有的随机误差变量方差都相等 4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协方差解释。 今天跟大家一起讨论一下，SPSS---多元线性回归的具体操作过程，下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。数据如下图所示： 点击“分析”——回归——线性——进入如下图所示的界面： 将“销售量”作为“因变量”拖入因变量框内，将“车长，车宽，耗油率，车净重等10个自变量拖入自变量框内，如上图所示，在“方法”旁边，选择“逐步”，当然，你也可以选择其它的方式，如果你选择“进入”默认的方式，在分析结果中，将会得到如下图所示的结果：（所有的自变量，都会强行进入） 如果你选择“逐步”这个方法，将会得到如下图所示的结果：（将会根据预先设定的“F统计量的概率值进行筛选，最先进入回归方程的“自变量”应该是跟“因变量”关系最为密切，贡献最大的，如下图可以看出，车的价格和车轴跟因变量关系最为密切，符合判断条件的概率值必须小于，当概率值大于等于时将会被剔除） “选择变量(E)" 框内，我并没有输入数据，如果你需要对某个“自变量”进行条件筛选，可以将那个自变量，移入“选择变量框”内，有一个前提就是：该变量从未在另一个目标列表中出现！，再点击“规则”设定相应的“筛选条件”即可，如下图所示： 点击“统计量”弹出如下所示的框，如下所示： 在“回归系数”下面勾选“估计，在右侧勾选”模型拟合度“ 和”共线性诊断“ 两个选项，再勾选“个案诊断”再点击“离群值”一般默认值为“3”，（设定异常值的依据，只有当残差超过3倍标准差的观测才会被当做异常值）点击继续。 提示： 共线性检验，如果有两个或两个以上的自变量之间存在线性相关关系，就会产生多重共线性现象。这时候，用最小二乘法估计的模型参数就会不稳定，回归系数的估计值很容易引起误导或者导致错误的结论。所以，需要勾选“共线性诊断”来做判断 通过容许度可以计算共线性的存在与否？容许度TOL=1-RI平方或方差膨胀因子（VIF): VIF=1/1-RI平方，其中RI平方是用其他自变量预测第I个变量的复相关系数，显然，VIF为TOL的倒数，TOL的值越小，VIF的值越大，自变量XI与其他自变量之间存在共线性的可能性越大。 提供三种处理方法： 1：从有共线性问题的变量里删除不重要的变量 2：增加样本量或重新抽取样本。 3：采用其他方法拟合模型，如领回归法，逐步回归法，主成分分析法。 再点击“绘制”选项，如下所示： 第十章：多元线性回归与曲线拟合―― Regression菜单详解（上） （医学统计之星：张文彤） 回归分析是处理两个及两个以上变量间线性依存关系的统计方法。在医学领域中，此类问题很普遍，如人头发中某种金属元素的含量与血液中该元素的含量有关系，人的体表面积与身高、体重有关系；等等。回归分析就是用于说明这种依存变化的数学关系。 §10.1Linear过程 10.1.1 简单操作入门 调用此过程可完成二元或多元的线性回归分析。在多元线性回归分析中，用户还可根据需要，选用不同筛选自变量的方法（如：逐步法、向前法、向后法，等）。 例10.1：请分析在数据集Fat surfactant.sav中变量fat对变量spovl的大小有无影响？ 显然，在这里spovl是连续性变量，而fat是分类变量，我们可用用单因素方差分析来解决这个问题。但此处我们要采用和方差分析等价的分析方法--回归分析来解决它。 回归分析和方差分析都可以被归入广义线性模型中，因此他们在模型的定义、计算方法等许多方面都非常近似，下面大家很快就会看到。 这里spovl是模型中的因变量，根据回归模型的要求，它必须是正态分布的变量才可以，我们可以用直方图来大致看一下，可以看到基本服从正态，因此不再检验其正态性，继续往下做。 10.1.1.1 界面详解 在菜单中选择Regression==>liner，系统弹出线性回归对话框如下： 除了大家熟悉的内容以外，里面还出现了一些特色菜，让我们来一一品尝。 【Dependent框】 用于选入回归分析的应变量。 【Block按钮组】 由Previous和Next两个按钮组成，用于将下面Independent框中选入的自变量分组。由于多元回归分析中自变量的选入方式有前进、后退、逐步等方法，如果对不同的自变量选入的方法不同，则用该按钮组将自变量分组选入即可。下面的例子会讲解其用法。 【Independent框】 用于选入回归分析的自变量。 【Method下拉列表】 用于选择对自变量的选入方法，有Enter（强行进入法）、Stepwise（逐步法）、Remove（强制剔除法）、Backward（向后法）、Forward（向前法）五种。该选项对当前Independent框中的所有变量均有效。 REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA COLLIN TOL /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT 商品房平均售价（元平方米） /METHOD=STEPWISE 城市人口密度人平方公里）城市居民人均可支配收入元五年以上平均贷款利率房屋空置率 /SCATTERPLOT=(*ZPRED ,商品房平均售价（元平方米）) /RESIDUALS DURBIN HISTOGRAM(ZRESID) NORMPROB(ZRESID) /CASEWISE PLOT(ZRESID) OUTLIERS(3) /SAVE PRED RESID. 迴歸 附註 已建立輸出21-MAR-2019 20:52:04 備註 輸入作用中資料集数据集1 過濾器<無> 粗細<無> 分割檔案<無> 工作資料檔案中的 N 列11 遺漏值處理遺漏的定義使用者定義的遺漏值會被視為遺漏。 已使用觀察值統計資料基於所使用任何變數之沒有遺 漏值的觀察值。 語法REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA COLLIN TOL /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT 商品房平均售价（元平方 米） /METHOD=STEPWISE 城市人口密度人平 方公里）城市居民人均可支配收入元五 年以上平均贷款利率房屋空置率 /SCATTERPLOT=(*ZPRED ,商品房平均 售价（元平方米）) /RESIDUALS DURBIN HISTOGRAM(ZRESID) NORMPROB(ZRESID) /CASEWISE PLOT(ZRESID) OUTLIERS(3) /SAVE PRED RESID. 資源處理器時間00:00:01.28 經歷時間00:00:01.53 需要記憶體4624 位元組數 殘差圖需要額外的記憶體632 位元組數 已建立或修改變數PRE_1 Unstandardized Predicted Value RES_1 Unstandardized Residual a. 應變數: 商品房平均售价（元平方米） 该表显示模型最先引入变量城市人口密度(人/平方公里)，第二个引入模型的是变量城 多元线性回归模型的检验 一、判断题 1、在线性回归模型中，为解释变量或者被解释变量重新选取单位（比如，元变换成千元），会影响t 统计量和 2R 的数值。（ F ） 2、在多元线性回归中，t 检验和F 检验缺一不可。 （ T ） 3、回归方程总体线性显著性检验的原假设是模型中所有的回归参数同时为零。 （ F ） 4、多元线性回归中，可决系数2R 是评价模型拟合优度好坏的最佳标准。 （ F ） 二 、单项选择 1、在模型0112233t t t t t Y X X X ββββμ=++++的回归分析结果中，有462.58F =， 0.000000F p =的值，则表明 （ C ） A 、解释变量2t X 对t Y 的影响不显著 B 、解释变量1t X 对t Y 的影响显著 C 、模型所描述的变量之间的线性关系总体上显著 D 、解释变量2t X 和1t X 对t Y 的影响显著 2、设k 为回归模型中的实解释变量的个数，n 为样本容量。则对回归模型进行总体显著性 检验(F 检验)时构造的F 统计量为 （ A ） A 、1)ESS k F RSS n k =-- B 、(1)() ESS k F RSS n k -=- C 、ESS F RSS = D 、1RSS F TSS =- 3、在多元回归中，调整后的可决系数2R 与可决系数2 R 的关系为 （ A ） A 、2 2R R < B 、22R R > C 、22R R = D 、2R 与2R 的关系不能确定 4、根据调整的可决系数2R 与F 统计量的关系可知，当21R =时，有 （ C ） A 、F=0 B 、F=－1 C 、F →+∞ D 、F=-∞ 5、下面哪一表述是正确的 （ D ） A 、线性回归模型01i i i Y X ββμ=++的零均值假设是指1 10n i i n μ==∑ B 、对模型01122i i i i Y X X βββμ=+++进行方程显著性检验（即F 检验），检验的零假 设是0012:0H βββ=== C 、相关系数较大意味着两个变量存在较强的因果关系 D 、当随机误差项的方差估计量等于零时，说明被解释变量与解释变量之间为函数关系 5、对于01122????i i i k ki i Y X X X e ββββ=+++++…，如果原模型满足线性模型的基本假设则 在零假设0j β=下，统计量??()j j s ββ（其中?()j s β是j β的标准误差）服从 （B ） 多元线性回归模型 第三章 多元线性回归模型 基本要求： 1、理解多元线性回归模型的定义 2、理解多元线性回归模型的假定 3、掌握参数估计的计算 4、理解参数统计性质 第一节 多元线性回归模型及假定 一、多元线性回归模型 许多经济现象往往要受多个因素的影响，研究被解释变量受多个解释变量的影响，就要利用多元回归模型。 多元线性回归模型与一元线性回归模型基本类似，只不过解释变量由一个增加到两个以上，被解释变量Y 与多个解释变量k X X X ,,,21 之间存在线性关系。 假定被解释变量Y 与多个解释变量k X X X ,,,21 之间具有线性关系，是解释变量的多元线性函数，称为多元线性回归模型。即 k k X X X Y 22110 (3-1) 其中Y 为被解释变量，(1,2,,)j X j k L 为k 个解释变量，(0,1,2,,)j j k L 为1k 个未知参数， 为随机误差项。 被解释变量Y 的期望值与解释变量k X X X ,,,21 的线性方程为： 01122()k k E Y X X X L (3-2) 称为多元总体线性回归方程，简称总体回归方程。 对于n 组观测值),,2,1(,,,,21n i X X X Y ki i i i ，其方程组形式为： 01122,(1,2,,)i i i k ki i Y X X X i n L L (3-3) 即 n kn k n n n k k k k X X X Y X X X Y X X X Y 221102 2222121021121211101 其矩阵形式为 n Y Y Y 21= kn n n k k X X X X X X X X X 2122212121111 11 k 210+ n 21 即 Y X βμ (3-4) 其中 1 n Y n Y Y Y 2 1为被解释变量的观测值向量； )1(k n X kn n n k k X X X X X X X X X 2122212 121111 11 为解释变量的观测值矩阵；(1)1k β k 210为总体回归参数向量；1n μ n 21为随机误差项向量。 总体回归方程表示为： ()E Y X β (3-5) 与一元线性回归分析一样，多元线性回归分析仍是根据观测样本估计模型中的各个参数，对估计参数及回归方程进行统计检验，从而利用回归模型进行经济预测和分多元线性回归模型的案例分析
excel一元及多元线性回归实例
多元线性回归讲解学习
eviews多元线性回归案例分析
SPSS多元线性回归分析实例操作步骤
多元线性回归实例分析
多元线性回归模型案例
多元线性回归模型的案例讲解
(完整word版)多元线性回归模型案例分析
多元线性回归实例分析报告
(完整版)第三章(多元线性回归模型)3-3答案
多元线性回归分析实例分析
第三章 多元线性回归模型案例
多元线性回归实例分析
多元线性回归与曲线拟合
多元线性回归案例
第三章(多元线性回归模型)3-3答案
多元线性回归模型资料讲解