一、变量间的关系及回归分析的基本概念 二、总体回归函数 三、随机扰动项 四、样本回归函数（SRF）

模型的建立及其假定条件 最小二乘估计（OLS） OLS回归函数的性质 最小二乘估计量的特性 yt的分布和 的分布  的估计 拟合优度的测量 回归参数的显著性检验与置信区间 yF 的点预测与区间预测 案例分析 相关系数 EViews操作

在客观世界中,普遍存在着变量之间的关系数学的一个重要作用就是从数量上来揭 示、表达和分析这些关系。而变量之间关系,一般可分为确定的和非确定的两类.确定性关 系可用函数关系表示而非确定性关系则不然 例如,人的身高和体重的关系、人的血压和年龄的关系、某产品的广告投入与销售额 间的关系等,它们之间是有关联的,但是它们之间的关系又不能用普通函数来表示我们 称这类非确定性关系为相关关系

要点：掌握一元线性回归模型中的基本概念、方法。区分 总体回归函数和样本回归函数。掌握普通最小二乘法的思 想和计算方法

导数定义与概念是一元函数微分学的核心内容，对它的背景与概念，应从极限的角度去认 识，并且应把导数的定义看作一种标准极限模式。 由导数概念本身，可以得到一系列重要性质，而这些性质是研究函数性态的重要依据与工 具。在计算方面，应训练准确快速的导数计算能力。在学习中要掌握好基本初等函数的导数公 式，导数的四则运算法则和复合函数的求导法则，以及反函数、隐函数和由参数方程确定的函 数的求导公式及要点

一、了解多元线性回归模型 二、 掌握相关关系的测定方法特别是相关系数的计算方法 三、领会相关关系的含义、分类及与函数关系的区别，相关分析和回归分析之间的关系 四、掌握一元线性回归分析方法

线性函数 定义1设V是数域P上的一个线性空间,f是V到P的一个映射,如果f 满足 1)f(a+)=f(a)+f() 2) f(ka)=(a), 式中a,B是V中任意元素,k是P中任意数,则称f为V上的一个线性函数 从定义可推出线性函数的以下简单性质: 1.设f是v上的线性函数,则f(0)=0,f(-a)=-f(a) 2.如果B是a1,a2…,a的线性组合:

自适应线性元件( Adaptive Linear Element,简称 Adaline)也是早期神经网络 模型之一,它是由威德罗( Widrow)和霍夫(Hof)首先提出的。它与感知器 的主要不同之处在于其神经元有一个线性激活函数,这允许输出可以是任意 值,而不仅仅只是像感知器中那样只能取0或1。另外,它采用的是W一H学 习法则,也称最小均方差(LMS)规则对权值进行训练,从而能够得到比感知器 更快的收敛速度和更高的精度 自适应线性元件的主要用途是线性逼近一个函数式而进行模式联想

非线性元件中的电压和电流之间的关系是非线性的，有时不能用函数是来表示，要 靠对应的曲线来表征其特征，这一特点是分析非线性电路的困难所在。与线性电路的一 个根本区别就是不能使用叠加定理和齐性定理。但是分析非线性电路的基本依据仍然是 KCL、KVL 和元件的特性方程

定义1设V是数域P上的一个线性空间,f是V到P的一个映射,如果f 满足 1)f(a+)=f(a)+f() 2) f(ka)=(a), 式中a,B是V中任意元素,k是P中任意数,则称f为V上的一个线性函数 从定义可推出线性函数的以下简单性质: