§2.1 回归分析概述 (Regression Analysis) 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 §2.2 一元线性回归模型的基本假设 (Assumptions of Simple Linear Regression Model) 一、关于模型设定的假设 二、关于解释变量的假设 三、关于随机项的假设 §2.3 一元线性回归模型的参数估计 (Estimation of Simple Linear 一、参数的普通最小二乘估计（OLS） 二、参数估计的最大或然法(ML) 三、最小二乘估计量的性质 四、参数估计量的概率分布及随机干扰项方差的估计 §2.4 一元线性回归模型的统计检验 Statistical Test of Simple Linear Regression Model 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间 §2.5 一元线性回归分析的应用——预测问题 一、预测值条件均值或个值的一个无偏估计 二、总体条件均值与个值预测值的置信区间 §2.6 实例及时间序列问题

• 线性回归 • 逻辑斯蒂回归 • 最大熵模型 • 极大似然估计 • 模型学习浅谈 • 最大熵总结 • 最大熵应用举例（略） • 最大熵源码分析（略） • 最大熵包使用（略）

采用恒变形率凸轮压缩试验机对不锈钢0Cr13热变形流动应力进行了试验研究,分析了变形温度、变形速率、变形程度对流动应力的影响,同时对不同的数学模型结构形式进行了非线性回归,提出了2个非线性流动应力数学模型.分温度段回归数学模型与试验数据具有较高的拟合精度,全温度段回归的数学模型便于计算机控制在线生产

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%

第五节 曲线直线化 第二节 直线回归 第三节 相关回归分析注意问题 第四节 等级相关 第一节 直线相关

第一节 生存分析的基本概念 第二节 生存率的估计与生存曲线 第三节 生存曲线的统计检验 第四节、COX比例风险回归模型

逐步回归实例分析 y:伊犁河年平均流量(1975) X1各预报因子,其含义见P64,数据见P66表4-7 资料年限:1953—1974年n=22 一、计算原始增广矩阵

运用正交设计的方法,模拟工业用罩式退火的生产工艺.采用逐步回归法分析实验数据,得出罩式退火工艺与成品性能的关系方程.从单因素、多因素两方面系统分析了罩式退火工艺参数对IF钢钢板性能的影响规律

研究的主要问题：1有关单因素和多因素非简单试验的统计分析方法多处理的正态总体参数估计和均值比较。2.对输入变量与试验指标之间存在的统计因果关系和协同变异问题进行统计分析的方法回归分析和相关分析

在许多实际问题中,常常会遇到要研究一个随机变量与多个变量之间的相关关系,例 如,某种产品的销售额不仅受到投入的广告费用的影响,通常还与产品的价格、消费者的 收入状况、社会保有量以及其它可替代产品的价格等诸多因素有关系研究这种一个随机 变量同其他多个变量之间的关系的主要方法是运用多元回归分析.多元线性回归分析是一 元线性回归分析的自然推广形式,两者在参数估计、显著性检验等方面非常相似.本节只 简单介绍多元线性回归的数学模型及其最小二乘估计