选择一个因变量,三个以上自变量,不少于15个数据,作一元线性回归分析 是什么意思
就是让你把因变量用三个以上自变量写成一个数学表达式，因变量随着自变量的变化而变化回归分析
回归分析 regression analysis 回归分析是一种运用十分广泛的统计分析方法。回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。 方差齐性 线性关系 效应累加 变量无测量误差 变量服从多元正态分布 观察独立 模型完整（没有包含不该进入的变量、也没有漏掉应该进入的变量） 误差项独立且服从一元线性回归的数学原理
一元线性回归其实就是最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。
利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
根据最小平方法或其他方法，可以从样本数据确定常数项A与回归系数B的值。A、B确定后，有一个X的观测值，就可得到一个Y的估计值。
回归方程是否可靠，估计的误差有多大，都还应经过显著性检验和误差计算。有无显著的相关关系以及样本的大小等等，是影响回归方程可靠性的因素。
扩展资料：
在给定了X和Y的样本观察值之后，离差平方总和的大小依赖于a和b的取值，客观上总有一对a和b的数值能够使离差平方总和达到最小。利用微分法求函数极值的原理。
在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的线性回归建模是给定X值的y的条件均值是X的仿射函数。
不太一般的情况，线性回归模型可以是一个中位数或一些其他的给定X的条件下y的条件分布的分位数作为X的线性函数表示。像所有形式的回归分析一样，线性回归也把焦点放在给定X值的y的条件概率分布，而不是X和y的联合概率分布（多元分析领域）。
参考资料来源：百度百科——一元线性回归方程
一线性回归分析法
一元线性回归分析预测法，是根据自变量x和因变量Y的相关关系，建立x与Y的线性回归方程进行预测的方法。由于市场现象一般是受多种因素的影响，而并不是仅仅受一个因素的影响。所以应用一元线性回归分析预测法，必须对影响市场现象的多种因素做全面分析。只有当诸多的影响因素中，确实存在一个对因变量影响作用明显高于其他因素的变量，才能将它作为自变量，应用一元相关回归分析市场预测法进行预测。 一元线性回归分析法的预测模型为： （1） 式中，xt代表t期自变量的值； 代表t期因变量的值； a、b代表一元线性回归方程的参数。 a、b参数由下列公式求得（用代表）： 为简便计算，我们作以下定义： (2) 式中： 这样定义回归模型中加入AR(1)是什么意思
回归模型中加入AR（1）是其中的解释变量，表示EVIEWS的回归是可以加AR项的。回归模型对统计关系进行定量描述的一种数学模型。
如多元线性回归的数学模型可以表示为y=β0+β1*x+εi，式中，β0，β1，…，βp是p+1个待估计的参数，εi是相互独立且服从同一正态分布N（0，σ2）的随机变量，y是随机变量；x可以是随机变量，也可以是非随机变量，βi称为回归系数，表征自变量对因变量影响的程度。
扩展资料：
回归分析法的计算以及注意事项：
1、回归预测的任务，找出变量之间相关关系的表达式，也就是寻找经验公式。分析变量之间的相关关系的密切程度，也就是判断回归方程的实用价值和误差。
以回归经验公式作为指导分析生产和实验结果并进一步指导实践。回归预测，根数据点的多少决定着预测的可靠程度；而需要数据点的数量取决于预测的性质以及当时的预测条件和环境，一般取历史数据20个以上。
对于一元线性回归，分析的目的主要是找出一条直线，使得其点与各已知点大致分布在一条直线上或者是靠的最近。
一元线性回归的简化算法，目的是减少一元线性在计算中的计算量，通过调整时间序列的定义值，让X的平均值等于0让a等于y的平均值。b等于xiyi的和除以xi的平方和。对于时间序列是奇数的情况，取中间的一个数是0，左边的为负，右边的为正，距离是1，如果时间序列是偶数，取中间的两个数分别为2分之1左边的为负，右边的为正。