6 .1 多重共线性产生的背景和原因 6 .2 多重共线性对回归模型的影响 6 .3 多重共线性的诊断 6 .4 消除多重共线性的方法 6 .5 主成分回归 6 .6 本章小结与评注

选取某4000 m3级别高炉2014年至2019年时间范围内的日平均数据，以铁水温度为目标函数，首先对铁水温度的特征参量进行线性与非线性相关性分析、特征选择与规范化处理，获取了显著影响铁水温度的正负相关性特征参量。在此基础上，基于支持向量回归与极限学习机两种算法对铁水温度构建预测模型，模型均可对铁水温度实现有效预测，基于支持向量回归算法构建的预测模型较优，预测平均绝对误差为4.33 ℃，±10 ℃误差范围内的命中率为94.0%

第一节 线性相关 第二节 线性回归 第三节 线性相关与回归的区别与联系 第四节 等级相关

一、回归分析的概念 二、回归分析在体育研究中的功能

通常,在分析估计回归直线的性能和自变量对 最终回归的影响时,用方差分析方法 方差分析是一种主要用于线性回归模型中β 值非零的情况下的识别方法。假设用最小二乘 法已求出参数β的值,那么观察到的输出值和 拟合值的差异是残差

回归分析是研究随机现象中变量之间关系的一种数理统计方法。它 的主要内容是:从一组数据出发,确定这些变量间的关系式,对这些关 系式的可信程度进行统计检验,从影响一个量的许多变量中,判断哪些 变量的影响是显著的,哪些是不显著的,寻找具有较好统计性质的回归 设计,利用所求得的关系式进行预报和控制

第一节 数据集中趋势的测定 一、均值 二、中位数 三、众数 第二节 数据离散程度的测定 一、极差 二、异众比率 三、平均差 四、方差和标准差 五、标准差系数 第三节 动态数据的分析 一、 水平分析指标 二、 速度分析指标 三、 长期趋势的分析 第四节 相关与回归分析 一、 相关与回归的基本问题 二、相关与回归分析

11.1 变量间关系的度量 11.2 一元线性回归 11.3 利用回归方程进行估计和预测 11.4 残差分析

第一节 时间序列概述 一、时间序列的意义 二、时间序列的种类 三、时间序列编制原则 四、时间序列的建立 第二节 时间序列分析 一、时间序列分析概念 二、确定性与随机性时间序列分析 三、时间序列分析方法 四、时间序列的应用 第三节 时间序列及其特征识别 一、时间序列与随机过程 二、时间序列的识别判据 三、时间序列特征的识别 第四节 平稳时间序列模型 一、一阶自回归模型 二、一般自回归模型 三、移动平均模型 四、自回归移动平均模型

一元线性回归 多元线性回归