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

二元线性回归分析是指预测值受两个变量的影响。因此, 每个数据点均由三个坐标确定其空间位置。它们散点图中所 有的数据点并不构成一个平面。为此,可建立一个与散点图 拟合最好的平面,用来代表事物变化的规律,并作为预测的 依据

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

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

一、适宜资料:多个自变量对一个依变量的影响呈线性回归模型的多变量资料。 二、分析目的:建立多元线性回归方程,分析多个自变量对一个依变量的综合作用及各自变量的绝对作用(b),从而发现规律,以利预测和控制

以BP算法为基础开发了ANN学习预测系统,用于宝钢IF钢大生产产品性能预测.同时,应用在宝钢IF钢大生产数据对该系统进行了测试和分析,并与多元线性回归结果进行预测精度比较.结果表明,ANN学习预测系统,除σ0.2误差较高(9.0%)外,σb,δ,r和n值均<5.0%,且比多线性回归方法精度高

要点：掌握一元线性回归模型中的基本假设、检验方法。 重点掌握一元线性回归模型的约束条件；正态性检验方法。 理解单侧和双侧假设检验

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

一元线性回归 多元线性回归 数据与统计学 数据的描述性分析：图表展示 数据的描述性分析：概括性度量 数据的描述性分析：概括性度量（二） 数据的描述性分析：实训 随机变量的概率分布 参数估计 假设检验

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