第一节 多元线性回归 第二节 自变量的选择 1.变量多增加了模型的复杂度 2.计算量增大 3.估计和预测的精度下降 4.模型应用费用增加 第三节 多元线性回归的应用及其注意事项

5.1 移动平均过程(MA Process) 5.2 自回归移动平均过程(ARMA Processes) 5.3 部分自相关函数 (Partial Autocorrelations)

《数学模型与数学实验》课程书籍文献（数学建模算法大全）第30章 偏最小二乘回归

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

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%

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

讨论一种动态神经网络——Elman回归神经网络的结构和算法.基于这一网络结构提出了非线性时变工业对象——直流电弧的神经网络建模方法,并与用其他方法为对象建立的模型进行了比较,结果证明回归网络模型能够很好地适配该工业对象,显示了动态神经网络在工业对象建模中的良好应用前景

在论述铁矿石需求预测途径的基础上,选取影响我国铁矿石需求的8个基本因素,采用回归分析方法进行了铁矿石需求的单因素分析.单因素分析结果表明,选取的8个基本因素与铁矿石需求的相关度基本都大于0.9.对8个基本影响因素进行了主成分分析,最终降维为4个主成分.将主成分分析方法与回归分析方法相结合,建立了铁矿石的需求预测模型,并对我国2015年和2020年铁矿石的需求量进行了预测,分别为29.76亿t和26.68亿t

回归分析是计量经济学中最为基础的 份内容。在这里我们简单地介绍回归分析中估计模型具体参数值的方法

为了实时获得冷轧带钢酸洗溶液的浓度值,便于进行酸浓度控制,采用软测量方法实时预测酸浓度.由于酸浓度建模数据中无关成分和特异点会影响模型精度,利用正交信号校正和稳健回归相结合的方法来建立酸浓度预测模型首先利用正交信号校正对建模数据进行预处理,去除自变量中与因变量无关的成分;然后采用基于迭代加权最小二乘的稳健回归算法进行建模,降低特异点对模型的影响;最后将预测结果和多元线性回归、传统稳健回归方法和正交信号校正多元线性回归进行比较.实验结果表明:采用正交信号校正-稳健回归方法后,模型预测能力得到提高,与多元线性回归结果相比,亚铁离子质量浓度和氢离子质量浓度的相对预测误差分别从1.82%降低到1.17%、从5.87%降低到4.73%.本文提出的方法具有更好的模型预测精度,可以满足工业应用要求