基于因子-主成分回归分析的股价技术分析研究

介绍了回归分析中多元线性回归的理论及应用方法,并以股价技术指标为研究对象,利用spss统计分析软件,建立了短期股价变动的多元线性回归模型。同时讨论了被选为自变量的参数之间存在的多重共线性问题,并分析该问题对线性回归分析结果造成的影响。因子-主成分分析的核心是用较少的相互独立的因子反映原有变量的绝大部分信息。主成分分析的主要思想是:从自变量中提取出新的变量,这些变量是原变量的适当线性组合,并且互不相关,因此应用SPSS软件进行数据缩减、提取主成分,并以主成分因子为新的自变量建立主成分回归方程,消除了多重共线性对回归模型的影响。最后对不同模型的测试结果进行了比较、分析,验证了因子-主成分分析在解决实际经济问题中的有效性。     

基于回归分析的安徽水泥市场预测模型

回归分析法、弹性系数法、时间序列法等是市场预测中常用的方法。本文介绍了其中的回归分析法,并就其在水泥市场预测中的具体应用进行探讨。选取了1995-2005年安徽省固定资产投资与水泥需求量作为两个变量,验证了这两个变量之间的相关关系及相关程度,在确立了因变量(Y)和自变量(X)之后,通过回归检验并建立回归模型来分析预测了安徽省2010年的水泥需求量。     

双重检验逐步回归模型在电力负荷预测中的应用

文中针对电力负荷预测的多元线性回归模型,提出了双重检验逐步回归模型。与传统的多元线性回归模型相比较,双重检验逐步回归模型无需建立全部变量的回归方程,而是在全部自变量中按对因变量的作用大小,边进行显著性检验,边入选或剔除变量,并且由于每步都作检验,因而保证了最后所得的方程中所有因子都是显著的。     

基于多变量灰色预测模型的多元线性回归模型

针对各自变量之间的关系,利用多变量灰色模型建立了自变量的预测值,剔除了自变量观察数据中的噪声污染。进而建立了一种改进的多元线性回归模型。最后,通过实例说明模型具有较高的预测精度。     

城市日用水量预测的非参数模型研究

本文针对传统的线性回归模型误差较大的特点,利用核估计与局部线性估计方法,以气温、节假日为自变量,以用水量为因变量建立了城市日用水量的多元非参数回归模型.经西安市实例验证表明,相对于线性回归模型而言,多元非参数回归模型预测精度较高,预测效果好.     

基于线性回归模型的敦煌市太阳辐射预测方法

利用常规气象观测资料建立了敦煌市太阳总辐射辐照度线性回归预测模型,通过SPSS软件用残差平方和及估计标准误差方法剔除模型自变量中的冗余量,用多元线性回归模型对太阳总辐射辐照度与多个气象要素之间的相关性进行分析及对太阳辐射进行预测,结果表明,利用此模型估算的地面总辐射与实际观测值基本一致,且一天变化趋势一致,该模型能够很好的预测太阳总辐射辐照度,是一种很有发展前景的辐射预测方法。     

一类基于偏最小二乘回归分析的成分数据预测模型

针对“因变量和自变量都是成分数据的前提下，如何建立它们之间的线性回归”的基本问题，以经典线性回归分析法为基础，结合对称Logratio变换，建立了一种基于偏最小二乘回归分析的成分数据预测模型，并对该模型进行了理论实证分析，论证了该模型的可行性与优良性，从而为解决具有成分数据信息的多重相关变量回归问题提供新的途径．     

低碳背景下中海油战略制定关键因素分析

在对低碳背景下中海油战略制定影响因素分析的基础上,通过对影响中海油战略制定的32个自变量、8个战略绩效指标进行主成分分析,分别找出自变量、因变量的主成分,并基于此建立多元线性回归模型,分析各个自变量对于战略绩效的影响程度,从而得出影响中海油战略制定的关键影响因素,以期为中国海洋石油总公司在今后的战略制定中能准确把握关键因素提供借鉴参考.     

国际贸易专业博士学位调研文章中拉贸易关系中宏观经济变量影响的研究——以固定因素应用“面板数据”回归模型分析

随着世界经济的发展,中国和拉丁美洲国家之间的贸易关系变得越来越紧密。加强与中国的贸易往来对发展拉丁美洲国家的经济意义重大。因此,该文通过一个以固定因素应用＂面板数据＂经验回归模型对影响与中国贸易的因素进行了实证分析。以拉美和中国的国内生产总值、拉美能源类产品的产量、中国与选取的拉美国家签署的经济合作协议中的收益、贸易开放指数作为自变量,拉美与中国的进出口总额作为因变量建立回归模型,分析了自变量对因变量的影响。采用STATA统计软件对数据进行处理,得到的结论有：（1）双边贸易额随两国实际国内生产总值的增长而增...     

利用计算机两步回归建立四维数组的数学模型及其软件

根据复合回归的原理，对具有三个自变量及一个因变量的四维数组，利用本文研制的软件，先自动选配每个自变量对因变量的六种近似关系及其相应的中间变量，然后由计算机根据３×６种中间变量进行线性组合，综合分析，并进行三元回归，从中优选出与该四维数组拟合最佳的非线性回归方程作为该数组的数学模型。     

线性回归模型偏F检验与t检验等价性的一种证明方法

在运用线性回归模型进行预测或控制之前,必须首先对线性回归模型中每个自变量对因变量影响程度的统计显著性进行逐个分析。可通过构造偏F统计量进行F检验或构造t统计量进行t检验,而对线性回归模型来说,本质上偏F检验和t检验是等价的,可使用矩阵分块的方法展现这一结论的原理和证明过程。     

多元非线性预测模型的一种处理方法

§1.前言 在多元统计预测中,一般是采用线性回归方法,就是把被预测量(依变量)表示为一组非随机变量(自变量)x_1,…,x_p与p 1个未知参数β_0,β_1,…β的线性假设模型:     

山西省影响旅游业发展因素的实证分析——基于多重共线性的检验

借助E-views统计软件建立1993-2011年间的山西省影响旅游业发展的因素模型.通过对影响旅游业发展因素的分析,建立以旅游收入为因变量,以接待旅游总人数、省内公路里程、铁路里程、省内星级宾馆数以及国内城镇居民人均旅游支出、国内农村居民人均旅游支出等为自变量的多元线性回归模型,并利用模型对影响因素进行量化分析和共线性检验,为山西省"十二五"期间发展旅游业、增加旅游收入在政策方面提供相关理论依据和参考性意见.     

顾及自变量与因变量误差及相关性的线性回归

提出一种顾及自变量和因变量观测误差及误差相关性的线性回归新方法,并导出了求解线性回归系数的迭代公式.以一元线性回归为例,导出了与最小二乘回归系数表达形式类似的解析解,并揭示了新方法与最小二乘方法的本质区别.此外,对于含有多个自变量的多元线性回归,给出了相应的同时考虑自变量和因变量观测误差及误差相关性的回归系数求解方法.试验表明,当自变量是非随机变量时,新方法与最小二乘方法的回归效果相同;当因变量和自变量都是随机变量(自变量与因变量的观测误差相关或不相关)时,新方法的回归系数比最小二乘方法的回归系数更加接近实际值.     

EXCEL在一元线性回归分析中的应用

通过调查一个餐饮连锁店,附近学校大学生的人数和季度销售额存在线性关系,建立一个以大学生人数为自变量,而季度销售额为因变量的回归模型,用EXCEL进行回归分析并预测季度销售额,说明EXCEL在回归分析中的应用。     

Logistic回归模型分析应用

回归是研究一个或多个自变量与一个因变量之间是否存在某种线性关系或非线性关系的一种统计学分析方法。而Logistic回归是概率非线性回归模型,是研究分类观察结果与一些影响因素之间关系的一种多变量分析方法。本文对Logistic回归模型进行推导,得到其概率密度函数,并对其性质进行分析,得到单调性、对称性等性质。并通过推导,可以计算出其优比,即成功胜率。最后通过某医院得到的数据,对于急性心肌梗死(AMI)患者能否成功的危险因素调查病历进行Logistic回归分析,得到了一些结论。     

Logistic回归模型分析应用

回归是研究一个或多个自变量与一个因变量之间是否存在某种线性关系或非线性关系的一种统计学分析方法.而Logistic回归是概率非线性回归模型,是研究分类观察结果与一些影响因素之间关系的一种多变量分析方法.本文对Logistic回归模型进行推导,得到其概率密度函数,并对其性质进行分析,得到单调性、对称性等性质.并通过推导,可以计算出其优比,即成功胜率.最后通过某医院得到的数据,对于急性心肌梗死(AMI)患者能否成功的危险因素调查病历进行Logistic回归分析,得到了一些结论.     

多项式回归理论在机床热误差建模中的应用

通过理论分析,利用多项式回归理论中的增广样本相关系数,结合复相关系数的方法剔除与因变量和其他自变量相关系数均很低的自变量,建立机床热误差补偿模型.该方法与逐步线性回归热误差建模法相比,可避免出现温度变量耦合现象,缩短建模时间.通过残差及拟合图验证该模型具有较高的回归精度.     

改进灰色模型与偏最小二乘耦合预测城市需水

采用易于辨识系统信息与噪声的单因变量偏最小二乘回归(PLS),建立7个具有高度相关性的自变量与单因变量间线性回归关系;同时,运用二阶弱化算子对灰色预测模型进行改进后将灰色模型与偏最小二乘回归预测模型相耦合.使用matlab7.0以及PEW软件对重庆市北碚区1996—2007年需水量进行计算,计算结果平均相对误差仅为0.82%,预测北碚区2015年和2020年需水量分别为2.38亿m3和2.64亿m3.该模型不仅克服了传统最小二乘回归中自变量的多重相关性,也弱化原始数据误差,预测准确度高.     

基于多元统计的PM2.5分析与预测——以合肥地区为例

为验证多元统计方法在PM2.5分析及预测方面的适用性,以合肥地区为例,收集了2015全年的PM2.5数据,借助于统计分析软件R进行了相关实验。通过PM2.5与各个影响因素之间的散点图,发现部分影响因素和PM2.5存在着较强的线性关系,据此建立关于PM2.5的多元线性回归模型。在保证各个变量不相关、独立条件下,对模型进行了验证。根据验证结果,选用了逐步回归分析方法得到了一个新模型。根据调整R2最大的原则确定了最终模型。最后选用了RMSE、MAE和Theil不相等系数对模型的预测效果进行了检验,模型整体预测效果较好。