01 经典线性回归模型 02 普通最小二乘估计 03 拟合优度和模型选择准则 04 OLS估计量的无偏性和有效性 05 参数假设检验 06 应用与重要实例

第一节 回归分析与回归方程 第二节 简单线性回归模型的最小二乘估计 第三节 拟合优度的度量 第四节 回归系数的区间估计和假设检验 第五节 回归模型预测 第六节 案例分析

第一节 回归分析与回归方程 第二节 简单线性回归模型的最小二乘估计 第三节 拟合优度的度量 第四节   回归系数的区间估计和假设检验 第五节   回归模型预测 第六节 案例分析

 Modeling strategies of SEM（模型的用途）  Model confirmation：验证（confirmatory）先设模型的恰当性  Model generation：设起始模型，与观察数据比较之后，进行必要的修正，反复估计而得到最佳拟合的模型  Model competation：利用不同模型的比较以决定何者最能反应真实数据 1、模型设定（model specification） 2、模型识别（model identification） 3、模型估计（model estimation） 4、模型评价（model evaluation） 5、模型修正（ model modification）

最小二乘法与最大似然法的关系 线性情况下的最小二乘估计 非线性情况下的最小二乘估计 约束情况下的最小二乘法 检验最小二乘法的拟合优度 应用最小二乘法处理分区数据 不等精度关联实验结果的并合问题

前面讨论了参数的点估计,它是用样本算出的一个值去估计未知参数即点估计值仅仅 是未知参数的一个近似值,它没有给出这个近似值的误差范围 例如,在估计某湖泊中鱼的数量的问题中,若根据一个实际样本,利用最大似然估计法 估计出鱼的数量为50000条,这种估计结果使用起来把握不大实际上鱼的数量的真值可 能大于50000条,也可能小于50000条且可能偏差较大 若能给出一个估计区间,让我们能较大把握地(其程度可用概率来度量之)相信鱼的数量 的真值被含在这个区间内,这样的估计显然更有实用价值

针对标准无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法本身存在着因状态误差协方差矩阵无法实现Cholesky分解而导致滤波发散的隐患，以及在电池状态估计过程中由离线标定的电池等效模型参数而造成的累积误差的问题，本文发展了一种平方根无迹卡尔曼滤波(Square-root unscented Kalman filter, SR-UKF)算法，并设计了一种电池状态联合估计策略。首先快速SR-UKF算法通过对观测方程进行准线性化处理，降低了每次无迹变换时的计算开销；然后在迭代过程中，用状态误差协方差矩阵的平方根代替状态误差协方差矩阵，该平方根是由QR分解与 Cholesky因子的一阶更新得到，解决了UKF 算法迭代过程中可能由计算累积误差引起状态误差协方差矩阵负定而导致滤波结果发散的问题，保证了电池荷电状态(State of charge，SOC)在线滚动估计的数值稳定性；最后采用联合估计策略，对电池等效模型参数进行实时辨识，保证了电池等效模型的准确性与有效性，从而提高了电池SOC的估计精度。仿真对比结果验证了快速SR-UKF算法以及电池状态联合估计策略的可行性与鲁棒性

第一节测量方法的分类 第二节电工仪表的分类 第三节电工仪表的组成和基本原理 第四节测量误差及其表示方法 第五节工程上最大测量误差的估计及系统误差的消除 第六节随机误差的估计

§3.1 多元线性回归模型 一、多元线性回归模型 二、多元线性回归模型的基本假定 §3.2 多元线性回归模型的估计 一、普通最小二乘估计 *二、最大或然估计 *三、矩估计 四、参数估计量的性质 五、样本容量问题 六、估计实例 §3.3 多元线性回归模型的统计检验 一、拟合优度检验 二、方程的显著性检验(F检验) 三、变量的显著性检验（t检验） 四、参数的置信区间 §3.4 多元线性回归模型的预测 一、E(Y0)的置信区间 二、Y0的置信区间 §3.5 回归模型的其他函数形式 一、模型的类型与变换 二、非线性回归实例 §3.6 受约束回归 一、模型参数的线性约束 二、对回归模型增加或减少解释变量 三、参数的稳定性 *四、非线性约束

随机解变量 澤后变量 虚拟变量 时间变量 随机解释变量 估计量的渐进特征 随机解释变量模型最小二乘估计量的统计特征 工具变量法 工具变量法估计量的统计性质 工具变量估计法的例题 课题和数据 工具变 EViews量法的估计 滞后变量 外生变量分布滞后模型 有限分布滞后模型的估计 内生变量分布滞后模型 虚拟变量 为什么引入虚拟变量 测量截距变动 测量斜季变动 分段线性回归 时间变量 最简单的 EViews编程示例