回归分析怎么做预测

1. 回归分析怎么做预测

回归分析怎么做预测：
1、选定预测的变量及主要的原因变量;
2、收集历史数据(或通过市场调查) ;
3、分析变量间的关系建立回归模型;
4、参数估计：最小二乘法;
5、回归方程的显著性检验; 
6、利用回归方程进行预测。

回归的现代解释：
回归分析是关于研究一个应(因)变量对另一个或几个解释变量(自变量)的)依赖关系，其用意在于通过后者的己知或设定值，去估计和(或)预测前者的( 总体)均值。

回归的基本思想：
具有相关关系的变量，虽然不能用函数式准确表达其关系，但可以通过大量的实验数据(或调查数据等)的统计分析，找出各相关因素的内在规律，可用某一函数式近似地描述其依存关系。

2. 回归分析预测法的概念

回归分析预测法(Regression Analysis Prediction Method)回归分析预测法，是在分析市场现象自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型，根据自变量在预测期的数量变化来预测因变量关系大多表现为相关关系，因此，回归分析预测法是一种重要的市场预测方法，当我们在对市场现象未来发展状况和水平进行预测时，如果能将影响市场预测对象的主要因素找到，并且能够取得其数量资料，就可以采用回归分析预测法进行预测。它是一种具体的、行之有效的、实用价值很高的常用市场预测方法，常用于中短期预测。

3. 回归分析预测技术依据是什么原理？

回归分析的基本概念是用一群变量预测另一个变量的方法。通俗点来讲，就是根据几件事情的相关程度来预测另一件事情发生的概率。回归分析的目的是找到一个联系输入变量和输出变量的最优模型。

回归方法有许多种，可通过 3 种方法进行分类：自变量的个数、因变量的类型和回归线的形状。

1）依据相关关系中自变量的个数不同进行分类，回归方法可分为一元回归分析法和多元回归分析法。在一元回归分析法中，自变量只有一个，而在多元回归分析法中，自变量有两个以上。

2）按照因变量的类型，回归方法可分为线性回归分析法和非线性回归分析法。

3）按照回归线的形状分类时，如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，则这种回归分析称为一元线性回归分析；如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是非线性关系，则称为多元非线性回归分析。
1. 线性回归
线性回归是世界上最知名的建模方法之一。在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计的。这些模型被叫作线性模型。在线性模型中，因变量是连续型的，自变量可以是连续型或离散型的，回归线是线性的。

4. 回归模型的几个评价指标

回归模型的几个评价指标
对于回归模型效果的判断指标经过了几个过程，从SSE到R-square再到Ajusted R-square, 是一个完善的过程：
SSE(误差平方和)：The sum of squares due to errorR-square(决定系数)：Coefficient of determinationAdjusted R-square：Degree-of-freedom adjusted coefficient of determination下面我对以上几个名词进行详细的解释下，相信能给大家带来一定的帮助！！一、SSE(误差平方和)
计算公式如下：
    
同样的数据集的情况下，SSE越小，误差越小，模型效果越好
缺点：
SSE数值大小本身没有意义，随着样本增加，SSE必然增加，也就是说，不同的数据集的情况下，SSE比较没有意义
二、R-square(决定系数)
数学理解：分母理解为原始数据的离散程度，分子为预测数据和原始数据的误差，二者相除可以消除原始数据离散程度的影响
其实“决定系数”是通过数据的变化来表征一个拟合的好坏。
理论上取值范围（-∞，1], 正常取值范围为[0 1] ------实际操作中通常会选择拟合较好的曲线计算R?，因此很少出现-∞
越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好越接近0，表明模型拟合的越差
经验值：>0.4， 拟合效果好
缺点：
数据集的样本越大，R?越大，因此，不同数据集的模型结果比较会有一定的误差
三、Adjusted R-Square (校正决定系数）      

n为样本数量，p为特征数量
消除了样本数量和特征数量的影响

5. 用线性回归模型进行预测时,单个值预测与均值预测相等,且置信区间也相同 为什？

因为预测值用线性回归模型进行预测时，单个值预测与均值预测相等，且置信区间也相同 ，必须用多根发热导管在一起，它是由电源盒来进行预测。
线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其表达形式为y = w'x+e，e为误差服从均值为0的正态分布。回归分析中，只包括一个自变量和一个因变量。
且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。


扩展资料：
在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的线性回归建模是给定X值的y的条件均值是X的仿射函数。不太一般的情况，线性回归模型可以是一个中位数或一些其他的给定X的条件下。
y的条件分布的分位数作为X的线性函数表示。像所有形式的回归分析一样，线性回归也把焦点放在给定X值的y的条件概率分布，而不是X和y的联合概率分布。
参考资料来源：百度百科-线性回归

6. 有因素会影响线性回归模型的预测精度

产生原因：（1）模型中遗漏了某些解释变量；（2）模型函数形式的设定误差；（3）样本数据的测量误差；（4）随机因素的影响。
产生的影响：如果线性回归模型的随机误差项存在异方差性，会对模型参数估计、模型检验及模型应用带来重大影响，主要有：（1）不影响模型参数最小二乘估计值的无偏性；（2）参数的最小二乘估计量不是一个有效的估计量；（3）对模型参数估计值的显著性检验失效；
（4）模型估计式的代表性降低，预测精度精度降低。

7. 评价回归模型是否合适的方法

当你只知道一两种技巧时，生活通常是简单的。如果结果是连续的，使用线性回归；如果结果是二值的，使用逻辑回归！然而，可供选择的选项越多，选择合适的答案就越困难。类似的情况也发生在回归模型选择中。1、在多种类型的回归模型中，基于自变量和因变量的类型、数据维数和数据的其它本质特征，选择最合适的技术是很重要的。以下是如何选择合适的回归模型的几点建议：（1）数据挖掘是建立预测模型不可缺少的环节。这应该是选择正确的模型的第一步，比如确定各变量的关系和影响。（2）比较适合于不同模型的拟合程度，我们可以分析它们不同的指标参数，例如统计意义的参数，R-square，Adjusted R-square，AIC，BIC 以及误差项，另一个是 Mallows’ Cp 准则。通过将模型与所有可能的子模型进行对比（或小心地选择他们），检查模型可能的偏差。（3）交叉验证是评价预测模型的最佳方法。你可以将数据集分成两组（训练集和验证集）。通过衡量观测值和预测值之间简单的均方差就能给出预测精度的度量。（4）如果数据集有多个混合变量，则不应使用自动模型选择方法，因为不希望同时将这些混合变量放入模型中。（5）这也取决于你的目标。与高度统计学意义的模型相比，简单的模型更容易实现。（6）回归正则化方法（LasSo、Ridge 和 ElasticNet）在数据集是高维和自变量是多重共线性的情况下工作良好。2、什么是回归分析？回归分析是一种预测建模技术的方法，研究因变量（目标）和自变量（预测器）之前的关系。这一技术被用在预测、时间序列模型和寻找变量之间因果关系。3、有哪些回归类型呢？（1） 线性回归（Linear Regression）线性回归是最为人熟知的建模技术，是人们学习如何预测模型时的首选之一。在此技术中，因变量是连续的，自变量可以是连续的也可以是离散的。回归的本质是线性的。线性回归通过使用最佳的拟合直线（又被称为回归线），建立因变量（Y）和一个或多个自变量（X）之间的关系。它的表达式为：Y=a+b*X+e，其中 a 为直线截距，b 为直线斜率，e 为误差项。如果给出了自变量 X，就能通过这个线性回归表达式计算出预测值，即因变量 Y。（2）逻辑回归用来计算事件成功（Success）或者失败（Failure）的概率。当因变量是二进制（0/1，True/False，Yes/No）时，应该使用逻辑回归。这里，Y 的取值范围为 [0，1]，它可以由下列等式来表示。其中，p 是事件发生的概率。你可能会有这样的疑问“为什么在等式中使用对数 log 呢？”因为我们这里使用的二项分布（因变量），所以需要选择一个合适的激活函数能够将输出映射到 [0，1] 之间，Logit 函数满足要求。在上面的等式中，通过使用最大似然估计来得到最佳的参数，而不是使用线性回归最小化平方误差的方法。

8. 如何评价回归模型

回归（Regression）不同于分类问题，在回归方法中我们预测一系列连续的值，在预测完后有个问题是如何评价预测的结果好坏，关于这个问题目前学术界也没有统一的标准。下面是我在论文中的看到的一些常用方法，希望对有缘人有用。
回归分析的结果可以分为以下几部分：
1）回归模型；
2）回归系数；
3）因变量和自变量的特征；
4）自变量之间的关系。其中，1和2是必须详细报告的基本信息；而3和4则可以根据具体情况而详略各异的辅助信息。