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）

7.1 岭回归估计的定义 7.2 岭回归估计的性质 7.3 岭迹分析 7.4 岭参数k的选择 7.5 用岭回归选择变量

本章介绍了回归分析的基本思想与基本方法。首先，本章从总体回归模型与总体回归 函数、样本回归模型与样本回归函数这两组概念开始，建立了回归分析的基本思想。总体回 归函数是对总体变量间关系的定量表述，由总体回归模型在若干基本假设下得到，但它只是 建立在理论之上，在现实中只能先从总体中抽取一个样本，获得样本回归函数，并用它对总 体回归函数做出统计推断

7.1变量间关系的度量 7.2一元线性回归分析 7.3利用回归方程进行估计和预测 7.4多元线性回归分析

9.1 简单线性相关分析 9.2 一元线性回归分析 9.3 多元线性回归与复相关分析 9.4 变量间非线性关系的回归

§2.1 回归分析概述 一、变量间的关系及回归分析的基本概念 二、总体回归函数（PRF） 三、随机扰动项 四、样本回归函数（SRF） §2.2 一元线性回归模型的参数估计 一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、参数估计的最大或然法(ML) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干扰项方差的估计 §2.3 一元线性回归模型的统计检验 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间 §2.4 一元线性回归分析的应用——预测问题 §2.5 实例：时间序列问题 一、中国居民人均消费模型 二、时间序列问题

§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参数估计 (Estimation of Simple Linear Regression Model) 一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、参数估计的最大或然法(ML) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干 扰项方差的估计 §2.3 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 §2.4 一元线性回归分析的应用——预测问题 一、Ŷ0是条件均值E(Y|X=X0)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

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

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

§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