在研究一元函数时,已经看到了函数关于自变量的变化率(导数)的重要性.对于二元函数也同样有一个处于重要地位的函数变化率问题.因二元函数有两个自变量, 且这两个自变量是彼此无关的,故可考虑函数关于其中 的一个自变量的变化率,此时将另一个自变量看作不变这种变化率称之为偏导数

在研究一元函数时,已经看到了函数关于自变量的 变化率(导数)的重要性.对于二元函数也同样有一个处于 重要地位的函数变化率问题.因二元函数有两个自变量 且这两个自变量是彼此无关的,故可考虑函数关于其中 的一个自变量的变化率,此时将另一个自变量看作不变 这种变化率称之为偏导数

用回归方程定量地刻划出一个因变量Y与 多个自变量X1，X2…之间的线性依存关 系，称为多重线性回归。其中自变量可 以是随机变动的，也可以是人为选定的， 而因变量是随机变量。 若所有变量都是随机的，还可做多重相 关来描述因变量与一组自变量之间的线 性关系；用偏相关(partial correlation) 描述因变量和一个自变量在扣除其他自 变量影响之后的线性相关

科学的最终目的在于揭示事物变化的内在规律,因果关系是事物内在规律的 种基本形式。然而,事物的内在联系并不能直接观察到,所以需要在科学研究中应用 各种方法来加以探索和分析。通径分析便是一种探索系统因果关系的统计方法。 因果关系模型中明确设置自变量和因变量,通过模型分析,检査自变量对于 因变量的作用方向、作用强度和解释能力。并且,因果关系模型还可以用来进行 预测。本书第二章多元回归分析便是因果关系模型的一种。但是,多元回归模型 是一种比较简单的因果关系模型,它所假设的因果关系不存在多环节的因果结 构,尽管多元回归模型中可以包含多个自变量,然而各个自变量对因变量的作用 却是假设为并列存在的

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的 个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数( discriminant function)o然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量( grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因”变量,有时可能倒是真正的“结 果”或“反应”变量。它们与类型变量的关系从本质上并没有越过相关的范畴。 不过,既然我们要参照其值来进行分组,权且称之为自变量

我们已经知道一元函数的导数是一个很重 要的概念,是研究函数的有力工具,它反映了该 点处函数随自变量变化的快慢程度。对于多元函 数同样需要讨论它的变化率问题。虽然多元函数 的自变量不止一个,但实际问题常常要求在其它 自变量不变的条件下,只考虑函数对其中一个自 变量的变化率,因此这种变化率依然是一元函数 的变化率问题,这就是偏导数概念,对此给出如 下定义

基本概念 定义与例子 关于未知函数(x1,∞2,……,n)的偏微分方程是形如 F(,, Du, ur,r1,r1T2' (11.1) 的关系式,其中,x=(x1,x2,…,mn),Du=(tx1,ux2 F是关于自变量x和未知函数a及a的有限多个偏微商的已 知函数.F可以不显含未知函数及其自变量x,但必须含有 未知函数的偏微商.涉及几个未知函数及其偏微商的多个偏微分 方程构成一个偏微分方程组.除非另有说明,我们限制自变量 x=(x1,x2,…,xn)取实数值,并设函数a及其出现在方程中 的各阶偏微商连续

（1)对两变量间的相关度的分析的统计技术称为 二元变量技术。若涉及两个以上的变量,采用 的统计技术叫多元变量技术。 （ 2)分析两个变量之间的相关度时,两个变量分 别被定义为自变量和因变量。自变量是指那些 可以影响因变量结果的变量。例如,价格、广 告费或零售点的数量等自变量常用于预测或解 释一个品牌的销售量或市场份额(因变量)

前几章讨论的函数y=f(x),是因变量与一个自变量 之间的关系,在此关系中,因变量的值只依赖于一个自 变量,称这类函数为一元函数.但在许多实际问题中往 往需要研究因变量与几个自变量之间的关系,这时因 变量的值依赖于几个自变量

问题的提出 现实生活中引起因变量 变化的因素并非仅只一个自变量,可能 有很多个自变量。为了简便先讨论只有 两个自变量的线性模型。 例如,产出往往受各种 投入要素—资本、劳动、技术等的影 响;销售额往往受价格和公司对广告费 的投入的影响。 所以在一元线性模型的 基础上,提出了二元线性模型: