关于一元线性回归简化公式的注记

本文用初等变换方法，给出了一元线性回归预测公式ｙ＝ａ＋ｂｘ中参数ａ和ｂ的简化计算公式     

有不等式约束的回归模型的置信带

建立置信带在回归分析中得一个重要的问题,但在有约束的回归问题里,这个问题并没有很好地解决,在此文中,我们研究有约束的回归中的置信带,从文中的结论我们可以看出有约束的回归中的置信带与无约束的情况有较大的不同。     

截断数据场合非参数回归分析的收敛性问题

截断数据场合非参数回归分析的收敛性问题肖庆宪，丁承杰设Ｘ为ｄ维随机变量，Ｙ为一维可积随机变量，（Ｘ＿１，Ｙ＿１），（Ｘ＿２，Ｙ＿２），…，（Ｘ＿ｎ，Ｙ＿ｎ）为ｎ次独立同分布的观察。为了估计回归函数ｍ（ｘ）＝Ｅ［Ｙ／Ｘ＝ｘ］，构造统计量其中Ｒ＿ｄ上的一...     

线性回归模型自变量选择准则的比较分析

将一些自变量过择准则用一种统一的形式表示,并依此得到这些准则所选出的自变量个数的顺序关系,从这些关系推出所给出的广义K-L差异度准则能选取较少的自变量,同时也指出广义K-L差异度准则具有利用数据本身选择惩罚因子的优点。     

多元回归分析程序设计与实现

主要探讨了用计算机解决经济计划与经济管理过程中常用的线性回归和非线性回归问题，以及非线性形式的转化，具有较强的实用性。     

自回归模型阶的一种强相容估计

在这篇文章中,我们给出一种AR(p_0)模型阶的估计,并且证明了这个估计的强相容性。     

谈遗传算法回归分析技术

本文阐述了回归分析机回归分析的各种模型，遗传算法的概念、特点以及将各种回归分析的数学模型综合在以泰勒公式为基础的同一模型下，采用遗传算法确定回归方程的系数，思路和理论基础，对在实际中应用遗传算法有一定参考价值。     

切片平均分子量神经网络预测模型的研究及应用

建立聚合反应切片平均分子量的预测模型对锦纶帘子布的生产有重要的意义,该文采用改进的遗传算法（ＧＡ）和ＢＰ算法相结合的混合学习算法来训练神经网络,并采用多元逐步回归法对输入层节点数进行了优化,建立了聚合反应切片平均分子量在线预测的神经网络模型。在某化工厂聚合反应中的应用表明,该模型比基于最小二乘法的预测模型收敛速度快,预测精度高、网络有泛化能力强。     

回归分析在短跑数学中的应用

针对教学中学生１００ｍ跑的具体情况，采用逐步回归分析方法建立了回归方程；在此基础上，分别以各相关因素、１００ｍ跑成绩作为因变量与自变量建立了多项多回归方程，并依据正态分布理论制定了各因素平衡发展的标准，上述方法在指导短跑数学中取得了较好的效果。     

承压水漏斗中心最低水位的岭回归

针对最小二乘回归方法，回归系教的显著性F检验，如果F〉临界值，则线性回归显著，但当多元回归模型的设计矩阵存在近似线性相关（称为复共线），即｜X^TX｜≈0，这时这一判别标准不具备普遍意义。本文结合实例对设计矩阵出现复共线关系进行岭回归。     

保序回归问题的多面体逼近解法

保序回归是统计学中经常遇到的问题，它可以化为有限维空间中的多面体最佳逼近的求解问题。本文提出了解决这一问题的一种很有实用价值的算法，用此算法不仅可以求问题的精确解，可只用少量计算求得一个近似解。     

一类回归方程的稳定性及两条回归直线的比较

文章介绍一元线性回归中回归方程的稳定性及两条回归直线的比较方法,并举实例加以说明,具有一定的实际指导意义.     

一类回归方程的稳定性及两条回归直线的比较

文章介绍一元线性回归中回归方程的稳定性及两条回归直线的比较方法,并举实例加以说明, 具有一定的实际指导意义。     

非线性回归在轧钢件温降研究中的应用

应用多项式近似函数，用换元法将非线性回归转化为多元线性回归，求出轧钢件温降经验公式。     

秩回归模型用BIC建模的相容性及应用

文[1]提出秩和回归模型预测方法,本文研究用BIC准则选择秩回归变量的相容性问题和建模原则,给出具体的模型设计方法,并在气象预测应用中效果良好。     

岭回归中的掩盖和提升影响

本文探讨了岭回归中数据影响的掩盖、提升、降低、增大以及交互作用,揭示出了岭帽子矩阵的非对角元素和岭残差的作用及意义。     

抗差自由网、非自由网平差的回归算法

叙述了在回归方法基础上的控制网平差算法,这种方法可以分解探测值粗差和起算数据粗差的过程,因此可以把控制网看作自由网逐步代入任一坐标系统。文中介绍了一系列作者研究的理论,例如,临时绘定未知数个数的方法,回归平差方法的进一步发展等。这种算法可以应用到传统地面网的平差,地面网与卫星空间网的联合平差,以及变形网的平差,而且已编成软件包ＡＤＪＳＴ。     

拓扑链回归

在一般拓扑空间上引入一种新的链回归概念－－拓扑链回归，给出它与动力系统中其它回归概念的关系，特别是与Ｃｏｎｌｅｙ链回归［１］［２］的关系。