一、模型的类型与变换 二、非线性回归实例

10.1 虚拟变量的性质 10.2 ANCOVA模型：包含一个定量变量，一个两分定性变量的回归 10.3 包含一个定量变量、一个多分定性变量的回归 10.4 包含一个定量变量和多个定性变量的回归 10.5 比较两个回归 10.6 虚拟变量在季节分析中的应用 10.7 因变量也是虚拟变量的情形：(略) 10.8 总结

9.1虚拟变量的性质 一、回归分析中,被解释变量不仅常受一些比率尺度变量(如收入、产量、价格、成本、高度和温度)的影响,而且还受定性性质变量(也被称为名义尺度变量,如性别、种族、肤色、宗教、国籍、战争)的影响。 二、为了在模型中能够反映这些定性性质变量的影响,并提高模型的精度,需要将它们量化

●回归与相关 ●总体回归函数 ●随机扰动项 ●样本回归函数

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

• 高危人员分析需求 • 高危人群的相关数据收集与预处理 • 建立模型

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题，提出应用支持向量机和模糊粒化时间序列相结合的方法，对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式，确定以24 h为周期的粒化窗宽，利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入，并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据，应用该方法建立PM2.5质量浓度的时间序列预测模型，并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明，基于模糊粒化时间序列的预测模型，能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定，对模糊粒子拟合效果较好

第一节 多因素定价模型(MPM)与套利定价理论(APT) 第二节 多元线性回归的基本原理 第三節 引數選擇與逐步回歸 第四節 多元資料變換與多項式回歸 第五节 设计矩阵列共线与最小二乘通解

多元线性回归模型与假定条件 最小二乘法（OLS） 最小二乘估计量的特性 可决系数 显著性检验与置信区间 预测 预测的评价指标 建模过程中应注意的问题

一、时间序列自回归模型 二、时间序列向量自回归模型 三、格兰杰因果关系检验 四、格兰杰因果在脑电中的应用 五、补充知识