第1章 回归分析概述 __eol__1.1 变量间的相关关系 __eol__1.2 “回归”思想及名称的由来 __eol__1.3 回归分析的主要内容及其一般模型 __eol__1.3.1 回归分析研究的主要内容 __eol__1.3.2 回归模型的一般形式 __eol__1.4 回归模型的建立过程 __eol__1.4.1 根据目的设置指标变量 __eol__1.4.2 收集、整理数据 __eol__1.4.3 确定理论回归模型 __eol__1.4.4 模型参数的估计 __eol__1.4.5 模型的检验与改进 __eol__1.4.6 回归模型的应用 __eol__1.5 回归分析应用与发展简评 __eol__思考与练习 __eol__第2章 一元线性回归 __eol__2.1 一元线性回归模型 __eol__2.1.1 一元线性回归模型的产生背景 __eol__2.1.2 一元线性回归模型的数学形式 __eol__2.2 参数β0,β1的估计 __eol__2.2.1 普通最小二乘法 __eol__2.2.2 最大似然法 __eol__2.3 最小二乘估计的性质 __eol__2.3.1 线性 __eol__2.3.2 无偏性 __eol__2.3.3 的方差 __eol__2.4 回归方程的显著性检验 __eol__2.4.1 t检验 __eol__2.4.2 F检验 __eol__2.4.3 相关系数的显著性检验 __eol__2.4.4 用R软件进行计算 __eol__2.4.5 三种检验的关系 __eol__2.4.6 样本决定系数 __eol__2.4.7 关于P值的讨论 __eol__2.5 残差分析 __eol__2.5.1 残差与残差图 __eol__2.5.2 有关残差的性质__eol__2.5.3 改进的残差 __eol__2.6 回归系数的区间估计 __eol__2.7 预测和控制 __eol__2.7.1 单值预测 __eol__2.7.2 区间预测__eol__2.7.3 控制问题 __eol__2.8 本章小结与评注 __eol__2.8.1 一元线性回归从建模到应用的全过程 __eol__2.8.2 有关回归检验的讨论 __eol__2.8.3 回归系数的解释 __eol__2.8.4 回归方程的预测 __eol__思考与练习 __eol__第3章 多元线性回归 __eol__3.1 多元线性回归模型 __eol__3.1.1 多元线性回归模型的一般形式 __eol__3.1.2 多元线性回归模型的基本假设 __eol__3.1.3 多元线性回归系数的解释 __eol__3.2 回归系数的估计 __eol__3.2.1 回归系数估计的普通最小二乘法 __eol__3.2.2 回归值与残差 __eol__3.2.3 回归系数估计的最大似然法 __eol__3.2.4 实例分析 __eol__3.3 有关估计量的性质 __eol__3.4 回归方程的显著性检验 __eol__3.4.1 F检验 __eol__3.4.2 t检验 __eol__3.4.3 回归系数的置信区间 __eol__3.4.4 拟合优度 __eol__3.5 中心化和标准化 __eol__3.5.1 中心化 __eol__3.5.2 标准化回归系数 __eol__3.6 相关阵与偏相关系数 __eol__3.6.1 样本相关阵 __eol__3.6.2 偏决定系数 __eol__3.6.3 偏相关系数 __eol__3.7 本章小结与评注 __eol__3.7.1 多元线性回归的建模过程 __eol__3.7.2 评注 __eol__思考与练习 __eol__第4章 违背基本假设的几种情况 __eol__4.1 异方差性产生的背景和原因 __eol__4.1.1 异方差性产生的原因 __eol__4.1.2 异方差性带来的问题 __eol__4.2 一元加权最小二乘估计 __eol__4.2.1 异方差性的诊断 __eol__4.2.2 一元加权最小二乘估计 __eol__4.2.3 寻找最优权函数 __eol__4.3 多元加权最小二乘估计 __eol__4.3.1 多元加权最小二乘法 __eol__4.3.2 权函数的确定方法 __eol__4.4 自相关性问题及其处理 __eol__4.4.1 自相关性产生的背景和原因 __eol__4.4.2 自相关性带来的问题 __eol__4.4.3 自相关性的诊断 __eol__4.4.4 自相关问题的处理 __eol__4.4.5 自相关实例分析 __eol__4.5 BOX-COX变换 __eol__4.6 异常值与强影响点 __eol__4.6.1 关于因变量y的异常值 __eol__4.6.2 关于自变量x的异常值对回归的影响 __eol__4.6.3 异常值实例分析 __eol__4.7 本章小结与评注 __eol__4.7.1 异方差问题 __eol__4.7.2 自相关问题 __eol__4.7.3 异常值问题 __eol__思考与练习 __eol__第5章 自变量选择与逐步回归 __eol__5.1 自变量选择对估计和预测的影响 __eol__5.1.1 全模型与选模型 __eol__5.1.2 自变量选择对预测的影响 __eol__5.2 所有子集回归 __eol__5.2.1 所有子集的数目 __eol__5.2.2 自变量选择的几个准则 __eol__5.2.3 用R软件寻找最优子集 __eol__5.3 逐步回归 __eol__5.3.1 前进法 __eol__5.3.2 后退法__eol__5.3.3 逐步回归法 __eol__5.4 本章小结与评注 __eol__5.4.1 逐步回归实例 __eol__5.4.2 评注 __eol__思考与练习 __eol__第6章 多重共线性的情形及其处理 __eol__6.1 多重共线性产生的背景和原因 __eol__6.2 多重共线性对回归建模的影响 __eol__6.3 多重共线性的诊断 __eol__6.3.1 方差扩大因子法 __eol__6.3.2 特征根判定法 __eol__6.3.3 直观判定法 __eol__6.4 消除多重共线性的方法 __eol__6.4.1 剔除不重要的解释变量 __eol__6.4.2 增大样本量 __eol__6.4.3 回归系数的有偏估计 __eol__6.5 本章小结与评注 __eol__思考与练习 __eol__第7章 岭回归 __eol__7.1 岭回归估计的定义 __eol__7.1.1 普通最小二乘估计带来的问题 __eol__7.1.2 岭回归的定义 __eol__7.2 岭回归估计的性质 __eol__7.3 岭迹分析 __eol__7.4 岭参数k的选择 __eol__7.4.1 岭迹法 __eol__7.4.2 方差扩大因子法 __eol__7.4.3 由残差平方和确定k值 __eol__7.5 用岭回归选择变量 __eol__7.6 本章小结与评注 __eol__思考与练习 __eol__第8章 主成分回归与偏最小二乘 __eol__8.1 主成分回归 __eol__8.1.1 主成分的基本思想 __eol__8.1.2 主成分的基本性质 __eol__8.1.3 主成分回归的实例 __eol__8.2 偏最小二乘 __eol__8.2.1 偏最小二乘的原理 __eol__8.2.2 偏最小二乘的算法 __eol__8.2.3 偏最小二乘的应用 __eol__8.3 本章小结与评注 __eol__思考与练习 __eol__第9章 非线性回归 __eol__9.1 可化为线性回归的曲线回归 __eol__9.2 多项式回归 __eol__9.2.1 几种常见的多项式回归模型 __eol__9.2.2 应用实例 __eol__9.3 非线性模型 __eol__9.3.1 非线性最小二乘 __eol__9.3.2 非线性回归模型的应用 __eol__9.3.3 其他形式的非线性回归模型 __eol__9.4 本章小结与评注 __eol__思考与练习 __eol__第10章 含定性变量的回归模型 __eol__10.1 自变量含定性变量的回归模型 __eol__10.1.1 简单情况 __eol__10.1.2 复杂情况 __eol__10.2 自变量含定性变量的回归模型与应用 __eol__10.2.1 分段回归 __eol__10.2.2 回归系数相等的检验 __eol__10.3 因变量是定性变量的回归模型 __eol__10.3.1 定性因变量的回归方程的意义 __eol__10.3.2 定性因变量回归的特殊问题 __eol__10.4 Logistic回归模型 __eol__10.4.1 分组数据的Logistic回归模型 __eol__10.4.2 未分组数据的Logistic回归模型 __eol__10.4.3 Probit回归模型 __eol__10.5 多类别Logistic回归 __eol__10.6 因变量顺序类