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. 应用回归分析预测和控制的关系是什么

1、回归分析、相关分析的联系与区别

联系：回归分析与相关分析都是研究变量间关系的统计系课题。
区别：
（1）在回归分析中，变量y为因变量；在相关分析中，y与x处于平等的地位。
（2）在回归分析中，y是随机变量，x可以是随机变量也可以是非随机的确定变量；
在相关分析中，y与x均为随机变量
（3）回归分析不仅解释了自变量x对因变量y的影响大小，还可以由回归方程进行回归与预测
相关分析主要是为了刻画两类变量间的线性相关的密切程度

2、建模的基本步骤

实际问题——确立指标变量——收集分析数据——构造理论模型——参数估计——统计诊断——模型应用

二、一元线性回归

1、模型的基本假设

通常一元线性回归模型的线性形式为：y=a+bx+c,
其中a和b是未知参数，a是回归常数，b是回归系数，c表示为其它随机因素的影响（误差项）
（1）误差项c一般满足等方差及不相关条件（高斯马尔科夫条件）：
E（c(i)）= 0 ; i=1,2,3……n
var(c(i))= s^2 ; i=1,2,3……n
cov(c(i),c(j)) = 0 ; i 和 j不相等 ; i=1,2,……n ; j=1,2……n
（2）因变量y和误差项c是都是相互独立的随机变量，自变量x则非随机变量，是确定性变量，其值可以精确测量和控制
（3）为了方便对参数进行区间估计和假设检验；通常假定误差项服从正态分布：c(i)~N(0,s^2) ; i=1,2,3……n
误差项c服从正态分布，进一步的随机变量y也服从正态分布：y(i)~N(a+bx(i),s^2) ; i=1,2,3……n

2、参数估计方法（思想，性质（最小二乘和极大似然估计））

最小二乘法：

对每一个得到的样本观测值（x,y）,最小二乘法考虑观测值y(i)与其回归值E(y(i))=a+bx(i)的离差越小越好。
即Q（a,b）=sum(y(i) - a-bx(i))^2 ; sum表示i=1到n的累加

找到最小离差平方和min(Q),此时对应的a，b即为我们所求的最小二乘估计回归参数，记为A,B。
其中称y(i)-y为y(i)的残差，记为e(i)
则得到的残差平方和为sum(e^2(i)) = sum(y(i)-A-Bx(i))^2

对min(Q)通过微积分求极值的方法得到a,b的最小二乘估计为：

3. 什么是回归分析原理与方法？

　　作经济研究，这是基本的方法和手段。
　　不知道你想了解些什么，就找了些最简单的，给你，希望有帮助。什么地方不明白再问。
　　直线回归是用直线回归方程表示两个数量变量间依存关系的统计分析方法，属双变量分析的范畴。
　　1.
直线回归方程的求法
　　（1）回归方程的概念:
　　直线回归方程的一般形式是Ý（音y
hat）=a+bx，其中x为自变量，一般为资料中能精确测定和控制的量，Y为应变量，指在x规定范围内随机变化的量。a为截距，是回归直线与纵轴的交点，b为斜率，意为x每改变一个单位时,Ý的变化量。
　　(2)直线回归方程的求法
　　确定直线回归方程利用的是最小二乘法原理，基本步骤为：
　　1）先求
b，基本公式为b=lxy/lxx=SSxy/SSxx
,其中lxy为X,Y的离均差积和，lxx为X的离均差平方和；
　　2）再求a，根据回归方程
a等于Y的均值减去x均值与b乘积的差值。
　　(3)回归方程的图示:
　　根据回归方程，在坐标轴上任意取相距较远的两点，连接上述两点就可得到回归方程的图示。应注意的是，连出的回归直线不应超过x的实测值范围.
　　2.
回归关系的检验
　　回归关系的检验又称回归方程的检验，其目的是检验求得的回归方程在总体中是否成立，即是否样本代表的总体也有直线回归关系。方法有以下两种：
　　(1)方差分析
　　其基本思想是将总变异分解为SS回归和SS剩余，然后利用F检验来判断回归方程是否成立。
　　(2)t检验
　　其基本思想是利用样本回归系数b与总体均数回归系数ß进行比较来判断回归方程是否成立，实际应用中因为回归系数b的检验过程较为复杂,而相关系数r的检验过程简单并与之等价,故一般用相关系数r的检验来代替回归系数b的检验。
　　3.
直线回归方程的应用
　　(1)描述两变量之间的依存关系；
　　利用直线回归方程即可定量描述两个变量间依存的数量关系
　　(2)利用回归方程进行预测；
　　把预报因子（即自变量x）代入回归方程对预报量（即因变量Y）进行估计，即可得到个体Y值的容许区间。
　　(3)利用回归方程进行统计控制
　　规定Y值的变化，通过控制x的范围来实现统计控制的目标。如已经得到了空气中NO2的浓度和汽车流量间的回归方程，即可通过控制汽车流量来控制空气中NO2的浓度。
　　4.
应用直线回归的注意事项
　　(1)做回归分析要有实际意义；
　　(2)回归分析前,最好先作出散点图；
　　(3)回归直线不要外延。

4. 自回归预测法的什么是自回归预测法

具体说，就是用一个变量的时间数列作为因变量数列，用同一变量向过去推移若干期的时间数列作自变量数列，分析一个因变量数列和另一个或多个自变量数列之间的相关关系，建立回归方程进行预测。

5. 什么是回归分析，运用回归分析有什么作用？？？

统计案例复习2 回归分析

6. 什么是逐步回归分析？什么情况下使用？

逐步回归分析法是将变量逐个引入模型，每引入一个解释变量后都要进行检验，并对已经选入的解释变量逐个进行检验，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，则将其删除。以确保每次引入新的变量之前回归方程中只包含显著性变量的方法。逐步回归分析是多元回归分析中的一种方法。回归分析是用于研究多个变量之间相互依赖的关系，而逐步回归分析往往用于建立最优或合适的回归模型，从而更加深入地研究变量之间的依赖关系。目前，逐步回归分析被广泛应用于各个学科领域，如医学、气象学、人文科学、经济学等。拓展资料：逐步回归分析结果解读逐步回归模型的基本原理是，把逐步回归分析每个解释变量依次引入模型进行F检验，同时对已引入的解释变量逐个进行T检验。当引入新的解释变量而造成原解释变量与被解释变量的相关性不再显著时，将不显著的解释变量剔除。依次类推，逐步回归分析保证在每次引入新的解释变量之前回归方程中只包含显著的变量，直到没有更显著的解释变量加入回归方程，也没有次显著的解释变量被剔除。此时，所得到的回归方程是显著性最优的解释变量组合，这样既完成了解释变量间显著性的对比，同时又能解决多重共线性问题。对上述模型与数据进行逐步回归。金融指货币的发行、流通和回笼，贷款的发放和收回，存款的存入和提取，汇兑的往来等经济活动。金融的本质是价值流通。金融产品的种类有很多，其中主要包括银行、证券、保险、信托等。金融所涉及的学术领域很广，其中主要包括：会计、财务、投资学、银行学、证券学、保险学、信托学等等。金融期货是期货交易的一种。期货交易是指交易双方在集中的交易市场以公开竞价的方式所进行的标准化期货合约的交易。而期货合约是期货交易的买卖对象或标的物，是由期货交易所统一制定的，规定了某一特定的时间和地点交割一定数量和质量商品的标准化合约。金融期货合约的基础工具是各种金融工具（或金融变量），如外汇、债券、股票、价格指数等。换言之，金融期货是以金融工具（或金融变量）为基础工具的期货交易。

7. 什么是回归分析？

科普中国·科学百科：回归分析

8. 什么是回归分析？主要内容是什么

在统计学中，回归分析（regression analysis)指的是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。回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。拓展资料在大数据分析中，回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。方法有各种各样的回归技术用于预测。这些技术主要有三个度量（自变量的个数，因变量的类型以及回归线的形状）。1. Linear Regression线性回归它是最为人熟知的建模技术之一。线性回归通常是人们在学习预测模型时首选的技术之一。在这种技术中，因变量是连续的，自变量可以是连续的也可以是离散的，回归线的性质是线性的。线性回归使用最佳的拟合直线（也就是回归线）在因变量（Y）和一个或多个自变量（X）之间建立一种关系。多元线性回归可表示为Y=a+b1*X +b2*X2+ e，其中a表示截距，b表示直线的斜率，e是误差项。多元线性回归可以根据给定的预测变量（s）来预测目标变量的值。2.Logistic Regression逻辑回归逻辑回归是用来计算“事件=Success”和“事件=Failure”的概率。当因变量的类型属于二元（1 / 0，真/假，是/否）变量时，应该使用逻辑回归。这里，Y的值为0或1，它可以用下方程表示。odds= p/ (1-p) = probability of event occurrence / probability of not event occurrenceln(odds) = ln(p/(1-p))logit(p) = ln(p/(1-p)) =b0+b1X1+b2X2+b3X3....+bkXk上述式子中，p表述具有某个特征的概率。你应该会问这样一个问题：“为什么要在公式中使用对数log呢？”。因为在这里使用的是的二项分布（因变量），需要选择一个对于这个分布最佳的连结函数。它就是Logit函数。在上述方程中，通过观测样本的极大似然估计值来选择参数，而不是最小化平方和误差（如在普通回归使用的）。3. Polynomial Regression多项式回归对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。如下方程所示：y=a+b*x^2在这种回归技术中，最佳拟合线不是直线。而是一个用于拟合数据点的曲线。4. Stepwise Regression逐步回归在处理多个自变量时，可以使用这种形式的回归。在这种技术中，自变量的选择是在一个自动的过程中完成的，其中包括非人为操作。