当前位置：文档库 › 基于多元回归模型的CPI影响因素分析

基于多元回归模型的CPI影响因素分析

【摘要】2011年以来，通货膨胀越来越成为我国的重要经济现象。作为衡量通货膨胀的主要指标，CPI（消费者物价指数）与人们的生活具有最密切的关系。CPI的不断攀升使生活成本增加，也影响国民经济的可持续发展。本文从我国的历史数据出发，选择货币供应量、工资率及原材料燃料价格作为自变量，通过建立CPI与以上变量的多元回归模型，分析影响CPI变化的主要因素，并着重分析通货膨胀的成因，为政府实现宏观调控目标、促进国民经济健康持续发展和改善人民生活提出建议。

【关键词】CPI 多元回归通货膨胀

1.问题的提出

近一年来，我国的通货膨胀形势引起了社会的广泛关注。2010年全年居民消费价格同比上涨3.3%，而2011年7月为6.5%，达到最近一年的最高值（如图1）。央行通过提高存款准备金率、加息、加强利贷调控等一系列措施控制物价上涨，尤其在2011年7月7日进行年内第三次加息后，CPI稍有回落，说明政府控制通胀的效果逐渐显现，但现阶段我国面临的通胀压力仍然不可小视。

近年来，国内农产品、国际市场石油、铁矿石等价格剧烈波动，特别是去年国内商品价格变动存在较大的不确定性。2009 年宽松的货币政策促进了经济复苏，但偏高的货币供给与增加的工资率对2011年的通货膨胀形成了很大压力。由此我们有理由猜测，原材料和燃料价格上涨、货币供给增加、工资率提高等因素形成的价格影响机制对我国宏观经济的调控提出了新挑战。那么，CPI的大幅增长是否与上述因素密切相关呢？

图1 2010年11月-2011年10月我国CPI变化趋势

2.经济理论分析

通货膨胀和就业率是经济宏观调控的两个重要指标。其中CPI是衡量通货膨胀最及时的指标，也与人们的生活关系最密切。根据宏观经济学理论，通货膨胀按成因可分为三类：需求拉动型、成本推动型及结构型通货膨胀。对CPI影响因素的分析可以以此为依据。

需求拉动型通货膨胀，是指货币供给过度增加导致总需求大于社会总供给所引起的通货膨胀。在短期内，社会总供给不变，如果货币供应量超过了货币需求量，则总需求会迅速增加，开始出现短期的需求拉动型通货膨胀（如图2）。因此货币供应量应该是推动CPI上升的因素之一。在长期，经济增长水平上升使总供给增加，有利于价格稳定，因此长期经济增长水平是抑制CPI上升的因素之一。

成本推动型通货膨胀是指在总需求不变的情况下，由生产要素价格上涨引起的成本价格上涨所导致的总物价水平持续上涨的情况。在总需求不变的情况下，成本增加引起的总供给减少将使供给曲线向上移动，从而引起价格上升（如图3）。企业生产的可变成本主要有工人工资及原材料、燃料价格，这些因素的上升会引起企业成本的上升，进而引起CPI的上涨。

图2 需求拉动型通货膨胀图3 成本推动型通货膨胀

结构性通货膨胀是由需求结构转移、部门差异等引起企业成本上升而发生的通货膨胀，其对CPI的影响也通过工资率变化实现。

综上所述，CPI的影响因素可归结为货币供应量、工资率、原材料燃料价格、经济增长水平。本文以此变量为基础，建立CPI影响因素模型。

3.模型建立

3.1 理论模型的建立

本文通过建立多元回归模型对CPI的影响因素进行分析。结合前述经济理论，我们选取广义货币供给量M2（x1）、工资率（x2）、原材料燃料价格（x3）及不

变价格计量的实际GDP（X4）作为影响消费者物价指数CPI（y）的因素，建立y 与X1、X2、X3、X4的多元回归模型，试图找到对CPI有较强影响的经济变量，对引起CPI上涨的因素进行分析。模型形式为：

y i=β0+β1x 1i+β2x2i+β3x3i+β4x4i+μi

以此模型为基础，选取相关样本计算回归方程。

3.2样本及变量说明

1) 为使统计单位具有一致性，广义货币供应量M2、工资率及原材料能源价格因素以增长率作为计算数据。

2) 选取中国1992年~2009年的相关数据作为回归方程的计算样本。

3) 考虑到货币和原材料燃料价格对CPI影响传递的时滞性，将其对应的年份前调一年，即1992年的CPI与1991年的M2及原材料燃料价格建立对应关系。

3.3 模型参数的估计

在Eviews中，利用OLS法进行参数估计，其中β4没有通过显著性检验（T=1.683234<2），即不能认为实际GDP与CPI存在显著的线性关系。X1、X2、X3再次回归，得到回归方程为：

y =-9.630412+0.274652x1+0.41676x2+0.474415x3

3.4模型的检验

3.4.1 经济检验

由样本方程知，估计参数β1=0.274652，即广义货币供应量M2与CPI成正相关关系，符合货币供应量增加推动总需求上升进而使CPI上涨的基本经济原理。参数B2=0.41676，B3=0.4744，即工资率、原材料燃料价格均与CPI成正相关关系，符合成本因素上升推动价格上涨的原理。

3.4.2统计意义检验

1)拟合优度检验

模型拟合优度R2=0.903625，回归模型对于文章选取的1992~2009年的观测值拟合程度较好。

2)回归方程显著性F检验及系数显著性T检验

回归模型的F值为43.75543，P值为0.000000，回归模型通过了方程显著性F检

验。X1（M2增长率）、X2（工资率增长率）、X3（原材料燃料价格增长率）整体能与Y（CPI）之间建立较为理想的回归模型。同时，方程通过系数显著性T检验。数据如下表：

X1 0.274652 0.081193 3.382700 0.0045

X2 0.416762 0.134083 3.108244 0.0077

X3 0.474415 0.098702 4.806561 0.0003

F-statistic 43.75543 Prob(F-statistic) 0.000000

3.4.3计量经济学检验

1)异方差检验

利用White检验法进行检验，建立检验回归模型：

σ2μi =α0+α1x1i+α2x2i+α3x3i+α4x21i+α5x22i+α6x23i

+α7x1i x2i+α7x1i x2i+α8x1i x3i+α9x2i x3i +μi

构造统计量W=nⅹR2，若存在异方差，则W近似服从自由度为9的χ2分布。用Eviews进行相关计算，得到W =6.429064<16.92, 所以异方差问题不存在。

2）自相关检验

利用D.W.方法，构造统计量：

计算得：D.W=1.337045。查D.W 分布表有：dl=0.93, du=1.69, 4-du=2.31。dl

3）多重共线性检验

我们用方差膨胀因子法对模型进行多重共线性的检验。如果方差膨胀因子（VIF）≥10则认为该自变量与其他自变量间有严重多重共线性。模型中，X1(货币供给量M2增长率)的VIF值为1.1640，X2（工资率增长率）的VIF值为1.1775，X3（原材料燃料价格增长率）的VIF值为1.0158，均小于判断标准10。所以，我们认为模型不存在严重多重共线性。

4实证分析

通过以上模型，可以清楚地看到货币供应量、工资率及原材料燃料价格三个因素对我国CPI的量化影响。其中，M2增速每变化一个单位，CPI平均同向变化0.274652个单位。工资率每变化一个单位，CPI平均同向变化0.416762个单位。原材料燃料价格每变化一个单位，CPI平均同向变化0.474415个单位。以此为依据，下文对中国90年代以来的通货膨胀原因进行分析。

CPI增幅超过3%即认为发生了通货膨胀。由数据可以看出，90年代以来中国共发生过两次严重的通货膨胀，一次为1993~1996年，另一次为2007年至今。

1992年中国十四大确立了建立社会主义市场经济体制的目标，为经济发展注入了活力，中央政府采取的降息、税改等政策措施也极大地刺激了总需求。从货币供应量看，1991年~1995年，广义货币供应量M2的增速均在20%以上，其中1992~1994甚至超过了30%，分别为31.3%、37.31%、34.5%。大量超发的货币成为通货膨胀的主要诱因。同时，投资需求膨胀产生的对基础产品的需求向各产业体系扩散，引发成本推动型通货膨胀，其中原材料燃料价格涨幅居前，从1992~1995一直保持在远超过10%的高位，极大地推动了CPI的上涨。同一时期，我国的工资率亦处于90年代以来增速最快的阶段。这些因素都是推动CPI上升的主要原因。由此可见，此次通货膨胀始于流通领域，由货币增长失控引起总需求过度增长，推动成本上升而引起的直线式混合型通货膨胀。

图4 1993年~1996年CPI、M2、工资率及原材料燃料价格增速

2007年以来，我国CPI再次持续居于高位。究其原因，也与货币超发及成本上升密切相关。2007年中国外汇储备增长率高达43.32%，极大地增加了国内的通胀压力，同时存贷款利率处于较低水平，引发了以房地产行业为代表的价格上涨。2008年9月雷曼兄弟破产标志着一场全球性金融危机的爆发，一体化的经济体系中，众多国家都卷入其中。中国政府为提振国内经济，于2008年11月实

行政府4万亿投资刺激计划，次年M1、M2增长率分别达到了32.35%及27.68%，货币增发再次成为CPI上涨的主要诱因之一。同时2008年的原材料燃料价格上涨达到10.5%，处于进入21世纪以来第二高位，通过成本途径也对CPI产生了较大影响。

图5 2007年~2010年CPI、M2、工资率及原材料燃料价格增速

通过以上分析，我们可以看到90年代以来中国的几次通胀产生的原因都可以在建立的回归模型中找到相应的数字依据和经济路径，因而认为该模型对于解释CPI变动的原因，特别是通货膨胀的原因有一定作用。

2010年中国M2 增长仍处于19.7%的较高水平，工资率和原材料燃料价格也分别达到了13.3%和9.3%，因而2011年的通胀现状是不可避免的。

在实现控制通货膨胀的宏观调控方面，政府采取适度从紧的财政货币政策，如提高利率、增加存款准备金率。从历史经验看，这一手段的确对稳定物价具有显著的作用。

5结论

结合所建立的CPI影响因素多元回归模型及相关实证数据，我们可以看出，货币供应量、工资率及原材料燃料价格三个因素是影响CPI的重要因素。为控制通货膨胀率

参考文献：

[1]于俊年，《计量经济学》，对外经济贸易大学出版社，2007.

[2]迈克尔·帕金著，张军等译，《宏观经济学》，人民邮电出版社，2008.

[3]张权，《我国通货膨胀的测度及其影响因素的实证分析》，《华东经济管理》，2011、6.

[4]何启志，《我国通货膨胀测度因子的实证检验》，《经济纵横》，2010（21）.

[5]吴军、田娟，《结构性通货膨胀解析》，《金融研究》，2008（9）.

附录：

Eviews相关计算

1、回归参数估计及模型、参数检验

Dependent Variable: CPI

Method: Least Squares

Date: 11/27/11 Time: 22:30

Sample: 1992 2009

Variable Coefficient Std. Error t-Statistic Prob.

M2 0.274652 0.081193 3.382700 0.0045

PAY 0.416762 0.134083 3.108244 0.0077

MAT 0.474415 0.098702 4.806561 0.0003

C -9.630412 2.079245 -4.631688 0.0004

R-squared 0.903625 Mean dependent var 4.994444

Adjusted R-squared 0.882974 S.D. dependent var 7.039257

S.E. of regression 2.408069 Akaike info criterion 4.788657

Sum squared resid 81.18314 Schwarz criterion 4.986518

Log likelihood -39.09792 F-statistic 43.75543

Durbin-Watson stat 1.337045 Prob(F-statistic) 0.000000 2、异方差检验：White法

F-statistic 1.018640 Probability 0.461587

Test Equation:

Dependent Variable: RESID^2

Method: Least Squares

Date: 11/27/11 Time: 22:51

Sample: 1992 2009

C 20.21739 10.28097 1.966486 0.0750

M2 -0.699362 0.964280 -0.725268 0.4834

M2^2 0.010351 0.024801 0.417355 0.6844

PAY -0.923981 0.991099 -0.932279 0.3712

PAY^2 0.020095 0.039504 0.508685 0.6210

MAT 0.503211 0.342212 1.470463 0.1695

R-squared 0.357170 Mean dependent var 4.510174

Adjusted R-squared 0.006536 S.D. dependent var 4.715327

S.E. of regression 4.699892 Akaike info criterion 6.218257

Sum squared resid 242.9788 Schwarz criterion 6.564513

Log likelihood -48.96432 F-statistic 1.018640 3、多重共线性检验：方差膨胀因子法

多元线性回归模型的案例分析

1. 表1列出了某地区家庭人均鸡肉年消费量Y 与家庭月平均收入X ，鸡肉价格P 1，猪肉价格P 2与牛肉价格P 3的相关数据。年份 Y/千克 X/ 元 P 1/(元/千克) P 2/(元/千克) P 3/(元/千克) 年份 Y/千克 X/元 P 1/(元/ 千克) P 2/(元/ 千克) P 3/(元/千克) 1980 2.78 397 4.22 5.07 7.83 1992 4.18 911 3.97 7.91 11.40 1981 2.99 413 3.81 5.20 7.92 1993 4.04 931 5.21 9.54 12.41 1982 2.98 439 4.03 5.40 7.92 1994 4.07 1021 4.89 9.42 12.76 1983 3.08 459 3.95 5.53 7.92 1995 4.01 1165 5.83 12.35 14.29 1984 3.12 492 3.73 5.47 7.74 1996 4.27 1349 5.79 12.99 14.36 1985 3.33 528 3.81 6.37 8.02 1997 4.41 1449 5.67 11.76 13.92 1986 3.56 560 3.93 6.98 8.04 1998 4.67 1575 6.37 13.09 16.55 1987 3.64 624 3.78 6.59 8.39 1999 5.06 1759 6.16 12.98 20.33 1988 3.67 666 3.84 6.45 8.55 2000 5.01 1994 5.89 12.80 21.96 1989 3.84 717 4.01 7.00 9.37 2001 5.17 2258 6.64 14.10 22.16 1990 4.04 768 3.86 7.32 10.61 2002 5.29 2478 7.04 16.82 23.26 1991 4.03 843 3.98 6.78 10.48 （1）求出该地区关于家庭鸡肉消费需求的如下模型： 01213243ln ln ln ln ln Y X P P P u βββββ=+++++ （2）请分析，鸡肉的家庭消费需求是否受猪肉及牛肉价格的影响。先做回归分析，过程如下：输出结果如下：

excel一元及多元线性回归实例

野外实习资料的数理统计分析一元线性回归分析一元回归处理的是两个变量之间的关系，即两个变量X和Y之间如果存在一定的关系，则通过观测所得数据，找出两者之间的关系式。如果两个变量的关系大致是线性的，那就是一元线性回归问题。对两个现象X和Y进行观察或实验，得到两组数值：X1，X2,…，Xn和Y1，Y2，…，Yn,假如要找出一个函数Y=f(X),使它在 X=X1,X2, …,Xn时的数值f(X1),f(X2), …,f(Xn)与观察值Y1，Y2，…，Yn趋于接近。在一个平面直角坐标XOY中找出（X1，Y1），（X2，Y2），…，（Xn，Yn）各点，将其各点分布状况进行察看，即可以清楚地看出其各点分布状况接近一条直线。对于这种线性关系，可以用数学公式表示： Y = a + bX 这条直线所表示的关系，叫做变量Y对X的回归直线，也叫Y对X 的回归方程。其中a为常数，b为Y对于X的回归系数。对于任何具有线性关系的两组变量Y与X，只要求解出a与b的值，即可以写出回归方程。计算a与b值的公式为：

式中：为变量X的均值，Xi为第i个自变量的样本值，为因变量的均值，Yi为第i个因变量Y的样本值。n为样本数。当前一般计算机的Microsoft Excel中都有现成的回归程序，只要将所获得的数据录入就可自动得到回归方程。得到的回归方程是否有意义，其相关的程度有多大，可以根据相关系数的大小来决定。通常用r来表示两个变量X和Y之间的直线相关程度，r为X和Y的相关系数。r值的绝对值越大，两个变量之间的相关程度就越高。当r为正值时，叫做正相关，r为负值时叫做负相关。r 的计算公式如下：式中各符号的意义同上。在求得了回归方程与两个变量之间的相关系数后，可以利用F检验法、t检验法或r检验法来检验两个变量是否显著相关。具体的检验方法在后面介绍。

多元线性回归模型案例分析

多元线性回归模型案例分析 ——中国人口自然增长分析一·研究目的要求中国从1971年开始全面开展了计划生育,使中国总和生育率很快从1970年的降到1980年,接近世代更替水平。此后，人口自然增长率（即人口的生育率）很大程度上与经济的发展等各方面的因素相联系，与经济生活息息相关，为了研究此后影响中国人口自然增长的主要原因，分析全国人口增长规律，与猜测中国未来的增长趋势，需要建立计量经济学模型。影响中国人口自然增长率的因素有很多，但据分析主要因素可能有：（1）从宏观经济上看，经济整体增长是人口自然增长的基本源泉；（2）居民消费水平，它的高低可能会间接影响人口增长率。(3)文化程度，由于教育年限的高低，相应会转变人的传统观念，可能会间接影响人口自然增长率（4）人口分布，非农业与农业人口的比率也会对人口增长率有相应的影响。二·模型设定为了全面反映中国“人口自然增长率”的全貌，选择人口增长率作为被解释变量，以反映中国人口的增长；选择“国名收入”及“人均GDP”作为经济整体增长的代表；选择“居民消费价格指数增长率”作为居民消费水平的代表。暂不考虑文化程度及人口分布的影响。从《中国统计年鉴》收集到以下数据（见表1）：表1 中国人口增长率及相关数据

，设定的线性回归模型为： 1222334t t t t t Y X X X u ββββ=++++ 三、估计参数利用EViews 估计模型的参数，方法是： 1、建立工作文件：启动EViews ，点击File\New\Workfile ，在对话框“Workfile Range ”。在“Workfile frequency ”中选择“Annual ” (年年份 @ 人口自然增长率（%。）国民总收入（亿元）居民消费价格指数增长率（CPI ）% 人均GDP （元） 1988 15037 1366 1989 … 17001 18 1519 1990 18718 1644 1991 【 21826 1893 1992 26937 2311 1993 . 35260 2998 1994 48108 4044 1995 — 59811 5046 1996 70142 5846 1997 ~ 78061 6420 1998 83024 6796 1999 【 88479 7159 2000 98000 7858 2001 [ 108068 8622 2002 119096 9398 2003 ： 135174 10542 2004 159587 12336 2005 、 184089 14040 2006 213132 16024

一元线性回归模型案例分析

一元线性回归模型案例分析一、研究的目的要求居民消费在社会经济的持续发展中有着重要的作用。居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。改革开放以来随着中国经济的快速发展，人民生活水平不断提高，居民的消费水平也不断增长。但是在看到这个整体趋势的同时，还应看到全国各地区经济发展速度不同，居民消费水平也有明显差异。例如，2002年全国城市居民家庭平均每人每年消费支出为6029.88元, 最低的黑龙江省仅为人均4462.08元，最高的上海市达人均10464元，上海是黑龙江的2.35倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，居民的收入水平、就业状况、零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。二、模型设定我们研究的对象是各地区居民消费的差异。居民消费可分为城市居民消费和农村居民消费，由于各地区的城市与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城市居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。所以模型的被解释变量Y 选定为“城市居民每人每年的平均消费支出”。因为研究的目的是各地区城市居民消费的差异，并不是城市居民消费在不同时间的变动，所以应选择同一时期各地区城市居民的消费支出来建立模型。因此建立的是2002年截面数据模型。影响各地区城市居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。为了与“城市居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。从2002年《中国统计年鉴》中得到表2.5的数据: 表2.52002年中国各地区城市居民人均年消费支出和可支配收入

eviews多元线性回归案例分析

中国税收增长的分析一、研究的目的要求改革开放以来，随着经济体制的改革深化和经济的快速增长，中国的财政收支状况发生了很大的变化，中央和地方的税收收入1978年为519.28亿元到2002年已增长到17636.45亿元25年间增长了33倍。为了研究中国税收收入增长的主要原因，分析中央和地方税收收入的增长规律，预测中国税收未来的增长趋势，需要建立计量经济学模型。影响中国税收收入增长的因素很多，但据分析主要的因素可能有：（1）从宏观经济看，经济整体增长是税收增长的基本源泉。（2）公共财政的需求，税收收入是财政的主体，社会经济的发展和社会保障的完善等都对公共财政提出要求，因此对预算指出所表现的公共财政的需求对当年的税收收入可能有一定的影响。（3）物价水平。我国的税制结构以流转税为主，以现行价格计算的DGP等指标和和经营者收入水平都与物价水平有关。（4）税收政策因素。我国自1978年以来经历了两次大的税制改革，一次是1984—1985年的国有企业利改税，另一次是1994年的全国范围内的新税制改革。税制改革对税收会产生影响，特别是1985年税收陡增215.42%。但是第二次税制改革对税收的增长速度的影响不是非常大。因此可以从以上几个方面，分析各种因素对中国税收增长的具体影响。二、模型设定为了反映中国税收增长的全貌，选择包括中央和地方税收的‘国家财政收入’中的“各项税收”（简称“税收收入”）作为被解释变量，以放映国家税收的增长；选择“国内生产总值（GDP）”作为经济整体增长水平的代表；选择中央和地方“财政支出”作为公共财政需求的代表；选择“商品零售物价指数”作为物价水平的代表。由于税制改革难以量化，而且1985年以后财税体制改革对税收增长影响不是很大，可暂不考虑。所以解释变量设定为可观测“国内生产总值（GDP）”、“财政支出”、“商品零售物价指数” 从《中国统计年鉴》收集到以下数据财政收入（亿元） Y 国内生产总值(亿元） X2 财政支出（亿元） X3 商品零售价格指数（%) X4 1978519.283624.11122.09100.7 1979537.824038.21281.79102 1980571.74517.81228.83106

多元线性回归分析预测法

多元线性回归分析预测法 (重定向自多元线性回归预测法) 多元线性回归分析预测法（Multi factor line regression method，多元线性回归分析法） [编辑] 多元线性回归分析预测法概述在市场的经济活动中，经常会遇到某一市场现象的发展和变化取决于几个影响因素的情况，也就是一个因变量和几个自变量有依存关系的情况。而且有时几个影响因素主次难以区分，或者有的因素虽属次要，但也不能略去其作用。例如，某一商品的销售量既与人口的增长变化有关，也与商品价格变化有关。这时采用一元回归分析预测法进行预测是难以奏效的，需要采用多元回归分析预测法。多元回归分析预测法，是指通过对两上或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。当自变量与因变量之间存在线性关系时，称为多元线性回归分析。 [编辑] 多元线性回归的计算模型[1] 一元线性回归是一个主要影响因素作为自变量来解释因变量的变化，在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释

因变量的变化，这就是多元回归亦称多重回归。当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元性回归。设y为因变量，为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为：其中，b0为常数项，为回归系数，b1为固定时，x1每增加一个单位对y的效应，即x1对y的偏回归系数；同理b2为固定时，x2每增加一个单位对y的效应，即，x2对y的偏回归系数，等等。如果两个自变量x1,x2同一个因变量y呈线相关时，可用二元线性回归模型描述为：其中，b0为常数项，为回归系数，b1为固定时，x2每增加一个单位对y的效应，即x2对y的偏回归系数，等等。如果两个自变量x1,x2同一个因变量y呈线相关时，可用二元线性回归模型描述为： y = b0 + b1x1 + b2x2 + e 建立多元性回归模型时，为了保证回归模型具有优良的解释能力和预测效果，应首先注意自变量的选择，其准则是： (1)自变量对因变量必须有显著的影响，并呈密切的线性相关； (2)自变量与因变量之间的线性相关必须是真实的，而不是形式上的； (3)自变量之彰应具有一定的互斥性，即自变量之彰的相关程度不应高于自变量与因变量之因的相关程度； (4)自变量应具有完整的统计数据，其预测值容易确定。多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和()为最小的前提下，用最小二乘法求解参数。以二线性回归模型为例，求解回归参数的标准方程组为解此方程可求得b0,b1,b2的数值。亦可用下列矩阵法求得

回归分析方法及其应用中的例子

3.1.2 虚拟变量的应用例3.1.2.1：为研究美国住房面积的需求，选用3120户家庭为建模样本，回归模型为： 123log log P Y βββ++logQ= 其中：Q ——3120个样本家庭的年住房面积（平方英尺）横截面数据 P ——家庭所在地的住房单位价格 Y ——家庭收入经计算：0.247log 0.96log P Y -+logy=4.17 2 0.371R = （）（）（）上式中2β=0.247-的价格弹性系数，3β=0.96的收入弹性系数，均符合经济学的常识，即价格上升，住房需求下降，收入上升，住房需求也上升。但白人家庭与黑人家庭对住房的需求量是不一样的，引进虚拟变量D ： 01i D ?=?? 黑人家庭白人家庭或其他家庭模型为：112233log log log log D P D P Y D Y βαβαβα+++++logQ= 例3.1.2.2：某省农业生产资料购买力和农民货币收入数据如下：（单位：十亿元） ①根据上述数据建立一元线性回归方程：

? 1.01610.09357y x =+ 20.8821R = 0.2531y S = 67.3266F = ②带虚拟变量的回归模型，因1979年中国农村政策发生重大变化，引入虚拟变量来反映农村政策的变化。 01i D ?=?? 19791979i i <≥年年建立回归方程为： ?0.98550.06920.4945y x D =++ （）（）（） 20.9498R = 0.1751y S = 75.6895F = 虽然上述两个模型都可通过显着性水平检验，但可明显看出带虚拟变量的回归模型其方差解释系数更高，回归的估计误差（y S ）更小，说明模型的拟合程度更高，代表性更好。 3.5.4 岭回归的举例说明企业为用户提供的服务多种多样，那么在这些服务中哪些因素更为重要，各因素之间的重要性差异到底有多大，这些都是满意度研究需要首先解决的问题。国际上比较流行并被实践所验证，比较科学的方法就是利用回归分析确定客户对不同服务因素的需求程度，具体方法如下：假设某电信运营商的服务界面包括了A1……Am 共M 个界面，那么各界面对总体服务满意度A 的影响可以通过以A 为因变量，以A1……Am 为自变量的回归分析，得出不同界面服务对总体A 的影响系数，从而确定各服务界面对A 的影响大小。同样，A1服务界面可能会有A11……A1n 共N 个因素的影响，那么利用上述方法也可以计算出A11……A1n 对A1的不同影响系数，由此确定A1界面中的重要因素。通过两个层次的分析，我们不仅得出各大服务界面对客户总体满意度影响的大小以及不同服务界面上各因素的影响程度，同时也可综合得出某一界面某一因素对总体满意度的影响大小，由此再结合用户满意度评价、与竞争对手的比较等因素来确定每个界面细分因素在以后工作改进中的轻重缓急、重要性差异等，从而起到事半功倍的作用。例 3.5.4：对某地移动通信公司的服务满意度研究中，利用回归方法分析各服务界面对总体满意度的影响。 a. 直接进入法显然，这种方法计算的结果中，C 界面不能通过显着性检验，直接利用分析结果是错误

案例分析一元线性回归模型

案例分析报告（2014——2015学年第一学期）课程名称：预测与决策专业班级：电子商务1202 学号： 2204120202 学生姓名：陈维维 2014 年 11月案例分析（一元线性回归模型）我国城镇居民家庭人均消费支出预测一、研究目的与要求居民消费在社会经济的持续发展中有着重要的作用，居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。从理论角度讲，消费需求的具体内容主要体现在消费结构上，要增加居民消费，就要从研究居民消费结构入手，只有了解居民消费结构变化的趋势和规律，掌握消费需求的热点和发展方向，才能为消费者提供良好的政策环境，引导消费者合理扩大消费，才能促进产业结构调整与消费结构优化升级相协调，才能推动国民经济平稳、健康发展。例如，2008年全国城镇居民家庭平均每人每年消费支出为11242.85元，?最低的青海省仅为人均8192.56元，最高的上海市达人均19397.89元，上海是黑龙江的2.37倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。二、模型设定?

我研究的对象是各地区居民消费的差异。居民消费可分为城镇居民消费和农村居民消费，由于各地区的城镇与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城镇居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。所以模型的被解释变量Y选定为“城镇居民每人每年的平均消费支出”。因为研究的目的是各地区城镇居民消费的差异，并不是城镇居民消费在不同时间的变动，所以应选择同一时期各地区城镇居民的消费支出来建立模型。因此建立的是2008年截面数据模型。影响各地区城镇居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。为了与“城镇居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。以下是2008年各地区城镇居民人均年消费支出和可支配收入表

多元线性回归模型案例

我国农民收入影响因素的回归分析本文力图应用适当的多元线性回归模型,对有关农民收入的历史数据和现状进行分析,探讨影响农民收入的主要因素,并在此基础上对如何增加农民收入提出相应的政策建议。?农民收入水平的度量常采用人均纯收入指标。影响农民收入增长的因素是多方面的，既有结构性矛盾因素，又有体制性障碍因素。但可以归纳为以下几个方面：一是农产品收购价格水平。二是农业剩余劳动力转移水平。三是城市化、工业化水平。四是农业产业结构状况。五是农业投入水平。考虑到复杂性和可行性，所以对农业投入与农民收入，本文暂不作讨论。因此，以全国为例，把农民收入与各影响因素关系进行线性回归分析，并建立数学模型。一、计量经济模型分析 (一)、数据搜集根据以上分析，我们在影响农民收入因素中引入7个解释变量。即：2x -财政用于农业的支出的比重，3x -第二、三产业从业人数占全社会从业人数的比重，4x -非农村人口比重，5x -乡村从业人员占农村人口的比重，6x -农业总产值占农林牧总产值的比重，7x -农作物播种面积，8x —农村用电量。

资料来源《中国统计年鉴2006》。 (二)、计量经济学模型建立我们设定模型为下面所示的形式：利用Eviews 软件进行最小二乘估计，估计结果如下表所示： DependentVariable:Y Method:LeastSquares Sample: Includedobservations:19 Variable Coefficient t-Statistic Prob. C X1 X3 X4 X5 X6 X7 X8 R-squared Meandependentvar AdjustedR-squared 表1最小二乘估计结果回归分析报告为： () ()()()()()()()()()()()()()()() 2345678 2? -1102.373-6.6354X +18.2294X +2.4300X -16.2374X -2.1552X +0.0100X +0.0634X 375.83 3.7813 2.066618.37034 5.8941 2.77080.002330.02128 -2.933 1.7558.820900.20316 2.7550.778 4.27881 2.97930.99582i Y SE t R ===---=230.99316519 1.99327374.66 R Df DW F ====二、计量经济学检验 (一)、多重共线性的检验及修正 ①、检验多重共线性 (a)、直观法从“表1最小二乘估计结果”中可以看出，虽然模型的整体拟合的很好，但是x4x6

数学建模-回归分析-多元回归分析

1、多元线性回归在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。在实际经济问题中，一个变量往往受到多个变量的影响。例如，家庭消费支出，除了受家庭可支配收入的影响外，还受诸如家庭所有的财富、物价水平、金融机构存款利息等多种因素的影响，表现在线性回归模型中的解释变量有多个。这样的模型被称为多元线性回归模型。（multivariable linear regression model ）多元线性回归模型的一般形式为：其中k 为解释变量的数目，j β (j=1,2,…，k)称为回归系数（regression coefficient)。上式也被称为总体回归函数的随机表达式。它的非随机表达式为： j β也被称为偏回归系数（partial regression coefficient)。 2、多元线性回归计算模型多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和（Σe)为最小的前提下，用最小二乘法或最大似然估计法求解参数。设（ 11 x ， 12 x ，…， 1p x ， 1 y ），…，（ 1 n x ， 2 n x ，…， np x ， n y ）是一个样本，用最大似然估计法估计参数：达到最小。

把（4）式化简可得：引入矩阵：方程组（5）可以化简得：可得最大似然估计值：

3、Matlab 多元线性回归的实现多元线性回归在Matlab 中主要实现方法如下：（1）b=regress(Y, X ) 确定回归系数的点估计值其中（2）[b,bint,r,rint,stats]=regress(Y,X,alpha)求回归系数的点估计和区间估计、并检验回归模型 ①bint 表示回归系数的区间估计. ②r 表示残差 ③rint 表示置信区间 ④stats 表示用于检验回归模型的统计量,有三个数值：相关系数r2、F 值、与F 对应的概率p 说明：相关系数r2越接近1，说明回归方程越显著；F>F1-alpha(p,n-p-1) 时拒绝H0，F 越大，说明回归方程越显著；与F 对应的概率p<α 时拒绝H0，回归模型成立。 ⑤alpha 表示显著性水平(缺省时为0.05) （3）rcoplot(r,rint) 画出残差及其置信区间

第六章相关与回归分析方法

第六章相关与回归分析方法第一部分习题一、单项选择题 1.单位产品成本与其产量的相关；单位产品成本与单位产品原材料消耗量的相关 ( )。 A.前者是正相关，后者是负相关 B.前者是负相关，后者是正相关 C.两者都是正相关 D.两者都是负相关 2.样本相关系数r 的取值范围( )。 A.-∞＜r ＜+∞ B.-1≤r ≤1 C. -l ＜r ＜1 D. 0≤r ≤1 3.当所有观测值都落在回归直线 01y x ββ=+上，则x 与y 之间的相关系数( )。 A.r ＝0 B.r ＝1 C.r ＝-1 D.|r|＝1 4.相关分析与回归分析，在是否需要确定自变量和因变量的问题上( )。 A.前者无需确定，后者需要确定 B.前者需要确定，后者无需确定 C.两者均需确定 D.两者都无需确定 5.直线相关系数的绝对值接近1时，说明两变量相关关系的密切程度是( )。 A.完全相关 B.微弱相关 C.无线性相关 D.高度相关 6.年劳动生产率x(千元)和工人工资y(元)之间的回归方程为y=10+70x ，这意味着年劳动生产率每提高1千元时，工人工资平均( )。 A.增加70元 B.减少70元 C.增加80元 D.减少80元 7.下面的几个式子中，错误的是( )。 A. y= -40-1.6x r=0.89 B. y= -5-3.8x r ＝-0.94 C. y=36-2.4x r ＝-0.96 D. y= -36+3.8x r ＝0.98 8.下列关系中，属于正相关关系的有( )。 A.合理限度内，施肥量和平均单产量之间的关系 B.产品产量与单位产品成本之间的关系 C.商品的流通费用与销售利润之间的关系 D.流通费用率与商品销售量之间的关系 9.直线相关分析与直线回归分析的联系表现为( )。 A.相关分析是回归分析的基础 B.回归分析是相关分析的基础 C.相关分析是回归分析的深入 D.相关分析与回归分析互为条件 10.进行相关分析，要求相关的两个变量( )。 A.都是随机的 B.都不是随机的 C.一个是随机的，一个不是随机的 D.随机或不随机都可以 11.相关关系的主要特征是( )。 A.某一现象的标志与另外的标志之间存在着确定的依存关系 B.某一现象的标志与另外的标志之间存在着一定的关系，但它们不是确定的关系 C.某一现象的标志与另外的标志之间存在着严重的依存关系 D.某一现象的标志与另外的标志之间存在着函数关系 12.相关分析是研究( )。 A.变量之间的数量关系 B.变量之间的变动关系 C.变量之间相互关系的密切程度 D.变量之间的因果关系 13.现象之间相互依存关系的程度越低，则相关系数( )。 A.越接近于0 B.越接近于-1 C.越接近于1 D.越接近于0.5 14.在回归直线01y x ββ=+中，若10 β<，则x 与y 之间的相关系数( )。 A. r=0 B. r=1 C. 0＜r ＜1 D. —l ＜r ＜0 15.当相关系数r=0时，表明( )。 A.现象之间完全无关 B.相关程度较小

多元线性回归实例分析

SPSS--回归-多元线性回归模型案例解析！(一）多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些而已，例如：一元线性回归方程为：毫无疑问，多元线性回归方程应该为：上图中的x1, x2, xp分别代表“自变量”Xp截止，代表有P个自变量，如果有“N组样本，那么这个多元线性回归，将会组成一个矩阵，如下图所示：那么，多元线性回归方程矩阵形式为：其中：代表随机误差，其中随机误差分为：可解释的误差和不可解释的误差，随机误差必须满足以下四个条件，多元线性方程才有意义（一元线性方程也一样） 1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。 2：无偏性假设，即指：期望值为0 3：同共方差性假设，即指，所有的随机误差变量方差都相等 4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协方差解释。今天跟大家一起讨论一下，SPSS---多元线性回归的具体操作过程，下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。数据如下图所示：

点击“分析”——回归——线性——进入如下图所示的界面：

将“销售量”作为“因变量”拖入因变量框内，将“车长，车宽，耗油率，车净重等10个自变量拖入自变量框内，如上图所示，在“方法”旁边，选择“逐步”，当然，你也可以选择其它的方式，如果你选择“进入”默认的方式，在分析结果中，将会得到如下图所示的结果：（所有的自变量，都会强行进入）如果你选择“逐步”这个方法，将会得到如下图所示的结果：（将会根据预先设定的“F统计量的概率值进行筛选，最先进入回归方程的“自变量”应该是跟“因变量”关系最为密切，贡献最大的，如下图可以看出，车的价格和车轴跟因变量关系最为密切，符合判断条件的概率值必须小于0.05，当概率值大于等于0.1时将会被剔除）

多元回归分析SPSS

多元线性回归分析预测法多元线性回归分析预测法（Multi factor line regression method，多元线性回归分析法） [编辑] 多元线性回归分析预测法概述在市场的经济活动中，经常会遇到某一市场现象的发展和变化取决于几个影响因素的情况，也就是一个因变量和几个自变量有依存关系的情况。而且有时几个影响因素主次难以区分，或者有的因素虽属次要，但也不能略去其作用。例如，某一商品的销售量既与人口的增长变化有关，也与商品价格变化有关。这时采用一元回归分析预测法进行预测是难以奏效的，需要采用多元回归分析预测法。多元回归分析预测法，是指通过对两上或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。当自变量与因变量之间存在线性关系时，称为多元线性回归分析。 [编辑] 多元线性回归的计算模型[1] 一元线性回归是一个主要影响因素作为自变量来解释因变量的变化，在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化，这就是多元回归亦称多重回归。当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元性回归。

设y为因变量，为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为：其中，b 0为常数项，为回归系数，b1为固定时，x1每增加一个单位对y的效应，即x 1对y的偏回归系数；同理b2为固定时，x2每增加一个单位对y的效应，即，x 2对y的偏回归系数，等等。如果两个自变量x1,x2同一个因变量y呈线相关时，可用二元线性回归模型描述为：其中，b 0为常数项，为回归系数，b1为固定时，x2每增加一个单位对y的效应，即x 2对y的偏回归系数，等等。如果两个自变量x1,x2同一个因变量y呈线相关时，可用二元线性回归模型描述为： y = b 0 + b1x1 + b2x2 + e 建立多元性回归模型时，为了保证回归模型具有优良的解释能力和预测效果，应首先注意自变量的选择，其准则是： (1)自变量对因变量必须有显著的影响，并呈密切的线性相关； (2)自变量与因变量之间的线性相关必须是真实的，而不是形式上的； (3)自变量之彰应具有一定的互斥性，即自变量之彰的相关程度不应高于自变量与因变量之因的相关程度； (4)自变量应具有完整的统计数据，其预测值容易确定。多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和()为最小的前提下，用最小二乘法求解参数。以二线性回归模型为例，求解回归参数的标准方程组为解此方程可求得b 0,b1,b2的数值。亦可用下列矩阵法求得

回归分析与相关分析联系区别

回归分析与相关分析联系、区别?? 简单线性回归分析是对两个具有线性关系的变量，研究其相关性，配合线性回归方程，并根据自变量的变动来推算和预测因变量平均发展趋势的方法。回归分析（Regression analysis）通过一个变量或一些变量的变化解释另一变量的变化。主要内容和步骤：首先依据经济学理论并且通过对问题的分析判断，将变量分为自变量和因变量，一般情况下，自变量表示原因，因变量表示结果；其次，设法找出合适的数学方程式（即回归模型）描述变量间的关系；接着要估计模型的参数，得出样本回归方程；由于涉及到的变量具有不确定性，接着还要对回归模型进行统计检验，计量经济学检验、预测检验；当所有检验通过后，就可以应用回归模型了。回归的种类回归按照自变量的个数划分为一元回归和多元回归。只有一个自变量的回归叫一元回归，有两个或两个以上自变量的回归叫多元回归。按照回归曲线的形态划分，有线性（直线）回归和非线性（曲线）回归。相关分析与回归分析的关系（一）相关分析与回归分析的联系相关分析是回归分析的基础和前提，回归分析则是相关分析的深入和继续。相关分析需要依靠回归分析来表现变量之间数量相关的具体形式，而回归分析则需要依靠相关分析来表现变量之间数量变化的相关程度。只有当变量之间存在高度相关时，进行回归分析寻求其相关的具体形式才有意义。如果在没有对变量之间是否相关以及相关方向和程度做出正确判断之前，就进行回归分析，很容易造成“虚假回归”。与此同时，相关分析只研究变量之间相关的方向和程度，不能推断变量之间相互关系的具体形式，也无法从一个变量的变化来推测另一个变量的变化情况，因此，在具体应用过程中，只有把相关分析和回归分析结合起来，才能达到研究和分析的目的。（二）相关分析与回归分析的区别 1．相关分析中涉及的变量不存在自变量和因变量的划分问题，变量之间的关系是对等的；而在回归分析中，则必须根据研究对象的性质和研究分析的目的，对变量进行自变量和因变量的划分。因此，在回归分析中，变量之间的关系是不对等的。 2．在相关分析中所有的变量都必须是随机变量；而在回归分析中，自变量是确定的，因变量才是随机的，即将自变量的给定值代入回归方程后，所得到的因变量的估计值不是唯一确定的，而会表现出一定的随机波动性。 3．相关分析主要是通过一个指标即相关系数来反映变量之间相关程度的大小，由于变量之间是对等的，因此相关系数是唯一确定的。而在回归分析中，对于互为因果的两个变量(如人的身高与体重，商品的价格与需求量)，则有可能存在多个回归方程。需要指出的是，变量之间是否存在“真实相关”，是由变量之间的内在联系所决定的。相关分析和回归分析只是定量分析的手段，通过相关分析和回归分析，虽然可以从数量上反映变量之间的联系形式及其密切程度，但是无法准确判断变量之间内在联系的存在与否，也无法判断变量之间的因果关系。因此，在具体应用过程中，一定要注意把定性分析和定量分析结合起来，在定性分析的基础上展开定量分析。

SPSS多元线性回归分析实例操作步骤

SPSS 统计分析多元线性回归分析方法操作与分析实验目的：引入1998~2008年上海市城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率和房屋空置率作为变量，来研究上海房价的变动因素。实验变量：以年份、商品房平均售价（元/平方米）、上海市城市人口密度(人/平方公里)、城市居民人均可支配收入(元)、五年以上平均年贷款利率(%)和房屋空置率(%)作为变量。实验方法：多元线性回归分析法软件：spss19.0 操作过程：第一步：导入Excel数据文件 1.open data document——open data——open；

2. Opening excel data source——OK. 第二步： 1.在最上面菜单里面选中Analyze——Regression——Linear，Dependent （因变量）选择商品房平均售价，Independents（自变量）选择城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率、房屋空置率；Method选择Stepwise. 进入如下界面： 2.点击右侧Statistics，勾选Regression Coefficients（回归系数）选项组中的Estimates；勾选Residuals（残差）选项组中的Durbin-Watson、

Casewise diagnostics默认；接着选择Model fit、Collinearity diagnotics；点击Continue. 3.点击右侧Plots，选择*ZPRED（标准化预测值）作为纵轴变量，选择DEPENDNT（因变量）作为横轴变量；勾选选项组中的Standardized Residual Plots（标准化残差图）中的Histogram、Normal probability plot；点击Continue.

多元线性回归拟合分析

楚雄师范学院 2012年数学建模竞赛第一次实战训练（一）第一题论文题目多元非线性回归拟合模型姓名郜红霞杨环刘发稳 2012年8月20日

多元非线性回归拟合模型摘要：本文推论了多元非线性数据拟合的通用数学模型,利用最小二乘法和极值原理,导出求解多元非线性回归方程的规范方程组。并用矩阵形式对规范方程组进行表述,在所表述的诸矩阵中,结构矩阵是其基础。用它可方便地转化出其他矩阵,这将大大简化程序的编制和规范方程组的解算。计算机根据输入数据自变量的个数和实验所作次数的多少,求解出相应的多元非线性回归方程及其评估方程质量的数据。关键字：规范方程；非线性回归方程；最小二乘法；结构矩阵；极值原理；对称矩阵；数据分析；计算机拟合；矩阵形式自变量。

1 问题重述

要求：1.检验强影响点； 2.正态性检验； 3.相关性检验； 4.自变量的多重共线性检验； 5.残差的相关性分析，模型的合理分析。 x=（470 81 82 50 13.7 225）'。 6.预测 2 问题分析先建立基础的多元线性回归方程，以初步确定输入变量与输出变量的关系，若预测效果不理想，则需要对方程进行进一步优化，考虑建立非线性回归方程模型或其他更优模型，反复进行判断和优化，最后得到较理想的预测方程。并用一定的评价标准对得出的预测方程进行判定，最后，用实验数据对模型预测的精度进行验证。 3 基本假设与符号说明

Q 残差平方和 E 拟合误差 ε 无偏估计值 2s 方差 R 复相关系数 SE 标准误差 4 模型建立 3.1 问题分析 3.2 模型建立（1）我们先假设输入变量和输出变量之间的关系是线性函数关系，建立多元线性回归模型。 {) ,0(~ (2) ' '110'σεε βββN x x Y m m ++++= (2)为了在研究两个指定变量之间的相关关系的同时，控制可能对其产生影响的其他变量，我们在研究任意两个输入变量的相互作用的判断中，运用了偏相关分析先对任意两个输入变量之间是否有交互作用进行判断。设随机变量X 、Y 、Z 之间彼此存在着相关关系，为了研究X 和Y 之间的关系，就必须在假定Z 不变的条件下，计算和Y 的偏相关系数，记为z xy r .。在考察多个变量时，i X （i =1，2...，p ）之间的p-1阶偏相关关系可由如下的递推式定义： 2 ) 1)...(1)(1...(12.2 ) 1...(1 2.0) 1)...(1)(1...(12.0)1...(12.0)1)...(1)(1...(12.0)...1)(1...(12.011-+---+---+-+---= p i i ip p p p i i ip p ip p i i i p i i i r r r r r r 计算得出输出变量的相关性检验。（3）我们建立部分多元非线性回归模型，来判断在Y 与i X 的模型中有交互