线性回归分析与能源需求预测

结合实例介绍了回归模型方法在能源预测中的应用，具体地讨论了最简单、最基本的直线回归模型结构及参数估计方法，对于其他一些曲线回归模型则可通过变量代换转化为直线回归模型。     

经济预测中的多元线性回归分析数学模型

通过矩阵形式建立了多元线性回归方程,并对回归方程进行了假设检验分析。为了避免复杂的数学运算,给出了剔除某一因素后回归方程的统一形式。采用矩阵法进行回归分析,不仅可以免除解方程的复杂过程,而且还可以使计算大大简化,便于编制程序利用计算机进行计算。     

一种线性/非线性自回归模型及其在建模和预测中的应用

为提高模型准确性,在经典时序建模策略的基础上,提出了一种带有外部输入的线性/非线性自回归模型,并应用Weierstrass逼近定理推导出其一般表达式(GNARX),该模型允许带有多个外部输入以实现复杂系统的建模和辨识.针对该模型结构给出了其最小二乘参数估计方法,并采用结合建模误差、预测误差及模型复杂度的修正信息准则(AIC)确定最优模型结构.最后,将该模型应用于仿真数据和振动位移采样电流数据的建模与预测.结果表明,GNARX模型的建模和预测精度均高于AR,GNAR,ARX模型及BP神经网络模型,表现出良好的线性/非线性建模和预测能力,及较好的通用性和实用价值.     

季节性时间序列预测方法选择

现实生活中大部分的经济数据不仅会随着时间的推移显示出一定的长期趋势,往往还会因为季节性因素而呈现出周期变化,因此,对于这种既具有倾向性变动趋势又有季节性变动的时间序列的预测就成为了统计预测的重要内容之一。因为预测方法选择的多样性,主要讨论温特线性与季节性指数平滑法,自适应过滤法和ARIMA模型拟合法这3种重要且比较典型的预测方法,通过比较3种方法的优劣,有助于在实际预测中预测方法的正确选择。     

一元线性回归数学模型在牡丹江农垦地区公路运输量预测分析中的应用

本文在充分的数据调查基础上,运用科学的理论和方法对牡丹江农垦地区的运输量进行预测与分析。通过本文的预测分析比较科学地反映了该地区运输量的变化趋势,这对确定该地区交通设施的容量、运输企业制定生产目标和作出各种经营决策等有着重要的参考意义。     

应用线性回归方法预测航材的订货数量

线性回归法是一项重要的预测技术,它在相关分析中有着重要的应用。航材的订货数量如果能应用该技术进行预测就可以避免大量的浪费,从而既能保证正常的飞行训练,又能节约大量的经费。     

一种改进的线性回归预测模

用最小二乘法求解线性回归预测方程的回归系数时,计算量比较大,针对这个问题,提出一种改进的线性回归预测模型,该模型和其它预测算法配合,能够对若干种药品的销售额进行预测,挑选的药品种类越多,效率越高。最后通过具体实例验证了该模型是可行、有效的。     

利用EXCEL实现计酬分配预测的回归分析

在经济管理理论和应用研究中,回归分析的应用日益广泛．通过运用一元、多元回归分析的理论及建模方法,搜集某大型公司的数据,利用分析工具库提供的回归工具进行回归分析,拟合出回归模型．同时检验模型中自变量对因变量的影响程度,利用增减法,通过不断尝试增加自变量来建立和确定最优回归模型．     

线性自回归模型的自回归分析

将回归模型的回归分析推广到线性自回归模型的自回归分析,获得了线性自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量。     

回归分析在新股股价预测建模中的应用

针对我国A股股市的特点，运用统计学和财务分析等方法，系统分析了影响新股上市股价的相关因素。对抽取的股票样本数据进行了线性回归分析，得出了各因素所占权重，建立了一个预测新股上市第一天开盘价的数学模型，并以此模型为基础在计算机上开发了新股定价预测系统。实践表明，该系统对于新股的投资决策具有积极的指导意义。     

基于一元线性回归分析法的施工成本预测研究

运用一元线性回归分析法,建立了工程建筑面积和施工成本的线形回归模型,预测了拟建和在建工程的施工成本,为工程投标以及工程施工成本管理提供了依据。     

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。     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

基于多元线性回归模型和灰色关联分析的江苏省粮食产量预测

针对江苏省近年来粮食产量波动的现状,采用灰色关联模型对2000~2009年江苏省粮食产量进行分析.结果发现,播种面积、化肥施用量、年均气温、年均降水以及农药施用量等5个因素是粮食产量波动的主导因素.然后在灰关联分析的基础上建立多元线性回归方程对2010~2012年江苏省粮食产量进行预测与验证,结果表明预测效果良好.最后,针对现状提出了相关建议.     

多元线性回归中的预测影响函数

对多元线性回归模型定义了预测影响函数（ＰＩＦ），导出了ＰＩＦ的显式，研究了其性质，并对不同的影响函数进行了比较。     

一种具有绝对误差限的回归方法

介绍一种以最小化残化差绝对值和为性能指标，且同时考虑最大绝对误差的回归方法并给产例 。     

一种非线性移动自回归预测模型

应用非线性回归分析中的S型增长模型及移动平均线理论,对按时间次序排列的单一数据序列,给出了一种非线性移动的自回归预测模型,将其应用于股价指数的历史数据中,对该预测模型的合理性和准确性作了初步验证,得到的结果相当理想,本模型具有一定的实际应用价值。