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

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

本章将详细论述对数极大似然估计对象，说明其一般特征。并给出了一些可以使用该方法的具体的例子。 §8.1.1 极大似然估计的基本原理 §8.1.2 EViews极大似然对象概述 §8.1.3 似然说明 §8.1.4 极大似然估计量的计算方法 §8.1.5 估计 §8.1.6 LogL视图 §8.1.7 LogL过程 §8.1.8 问题解答 §8.1.9 限制

12.1 面板数据定义 12.2 面板数据模型分类 12.3 面板数据模型的估计方法 12.4 面板数据模型的设定与检验 12.5 面板数据建模案例分析 12.6 面板数据建模的 EViews 操作

第一节 回归分析与回归方程 第二节 简单线性回归模型的最小二乘估计 第三节 拟合优度的度量 第四节   回归系数的区间估计和假设检验 第五节   回归模型预测 第六节 案例分析

第一节 异方差性的概念 第二节 异方差性的后果 第三节 异方差性的检验 第四节 异方差性的补救措施 第五节 案例分析

●异方差的实质和产生的原因 ●异方差产生的后果 ●异方差的检测方法 ●异方差的补救

（1）多项式函数模型 （2）双曲线函数模型 （3）对数函数模型 （4）生长曲线 (logistic) 模型（比教材中的模型复杂些） （5）指数函数模型 （6）幂函数模型

异方差概念 异方差来源与后果 异方差检验（Goldfeld-Quandt 检验、 White 检验、Glejser 检验） 异方差的修正方法（GLS、WLS） 异方差案例分析

一元线性回归模型 模型参数估计（最小二乘法） 样本判定系数与拟合优度检验 回归参数估计值的显著性检验 模型整体的显著性检验 一元线性回归模型预测 参数估计 假设检验