用回归方程定量地刻划出一个因变量Y与 多个自变量X1，X2…之间的线性依存关 系，称为多重线性回归。其中自变量可 以是随机变动的，也可以是人为选定的， 而因变量是随机变量。 若所有变量都是随机的，还可做多重相 关来描述因变量与一组自变量之间的线 性关系；用偏相关(partial correlation) 描述因变量和一个自变量在扣除其他自 变量影响之后的线性相关

前几章讨论的函数y=f(x)是因变量与一个自变量 之间的关系,在此关系中,因变量的值只依赖于一个自 变量,称这类函数为一元函数但在许多实际问题中往 往需要研究因变量与几个自变量之间的关系,这时因 变量的值依赖于几个自变量

（1)对两变量间的相关度的分析的统计技术称为 二元变量技术。若涉及两个以上的变量,采用 的统计技术叫多元变量技术。 （ 2)分析两个变量之间的相关度时,两个变量分 别被定义为自变量和因变量。自变量是指那些 可以影响因变量结果的变量。例如,价格、广 告费或零售点的数量等自变量常用于预测或解 释一个品牌的销售量或市场份额(因变量)

前几章讨论的函数y=f(x),是因变量与一个自变量 之间的关系,在此关系中,因变量的值只依赖于一个自 变量,称这类函数为一元函数.但在许多实际问题中往 往需要研究因变量与几个自变量之间的关系,这时因 变量的值依赖于几个自变量

科学的最终目的在于揭示事物变化的内在规律,因果关系是事物内在规律的 种基本形式。然而,事物的内在联系并不能直接观察到,所以需要在科学研究中应用 各种方法来加以探索和分析。通径分析便是一种探索系统因果关系的统计方法。 因果关系模型中明确设置自变量和因变量,通过模型分析,检査自变量对于 因变量的作用方向、作用强度和解释能力。并且,因果关系模型还可以用来进行 预测。本书第二章多元回归分析便是因果关系模型的一种。但是,多元回归模型 是一种比较简单的因果关系模型,它所假设的因果关系不存在多环节的因果结 构,尽管多元回归模型中可以包含多个自变量,然而各个自变量对因变量的作用 却是假设为并列存在的

第18章ARCH GARCH和估计建立变量的条件方差或变量波动性模型。 第19章离散和受限因变量模型-讨论几种定性和受限因变量模型的估计方法。 EViews提供了二元或排序,检查或截断,和计数模型的估计程序。 第20章对数极大似然估计-论述了对数极大似然估计,给出似然函数的形式, EViews可以估计对数极大似然模型的参数

1、在直线相关和回归分析中() A、据同一资料,相关系数只能计算一个 B、据同一资料,相关系数可以计算两个 C、据同一资料,回归方程只能配合一个 D、据同一资料,回归方程随自变量与因变量的确定不同,可能配合两个 E、回归方程和相关系数均与自变量和因变量的确定无关

9.1 自变量中含有定性变量的回归模型 9.2 自变量定性变量回归模型的应用 9.3 因变量是定性变量的回归模型 9.4 Logistic(逻辑斯蒂)回归 9.5 多类别Logistic回归 9.6 因变量是顺序变量的回归 9.7 本章小结与评注

 回归（Regression，或Linear Regression）分析变量间的关系，有明确的因果关系假设。  即要假设一个变量为自变量，一个为因变量，用回归表示自变量对因变量的影响。  如年龄对收入的影响。[解释]  由于回归构建了变量间因果关系的数学表达，它具有统计预测功能

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的一个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数(discriminant function)然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量(grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因变量,有时可能倒是真正的“结 果”或“反应”变量