设有如下一元线性回归模型：yi：因变量或被解释变量；χi：自变量或解释变量；μi：一个随机变量，称为随机（扰动）项；α，β：是两个常数，称为回归参数，下标i：表示变量的第 i 个观
一元线性回归模型的参数常采用普通最小二乘法（Ordinary LeastSquares，OLS）来估计。假定拟合的最优直线方程为∶达到最小。通过求解上述方程可得一元线性回归参数的估计值。该参数估计方法
拟合优度，又称样本"可决系数"，用于度量回归直线对样本观测值的拟合程度，常用R2表示，计算公式为∶其中，TSS为总离差平方和，ESS为回归平方和，RSS为残差平方和。很显然，在总离
t检验又称回归系数检验，步骤如下：第一步：提出假设。设原假设 H0：β=0，备择假设H1：β≠0。第二步：构造t统计量，即服从自由度为n-2的t分布：第三步，给定显著性水平α，查表得到临界值
1.点预测。设回归模型为：yi = α+β xi + μi (i=1, 2 ,3, ..., n)假定在抽样期外的某预测期 f&n
多元线性回归主要用于分析多个自变量对因变量的影响。例如，在分析一家公司的价值时，需要研究该公司多个财务指标，比如负债比例、资产回报率等指标对该公司价值的影响。在该研究中，将公司价值定为因变量，各财务指
变量与变量之间通常存在三种关系：确定的函数关系、相关关系以及没有关系。确定的函数关系表示变量之间存在一一对应的确定关系；相关关系表示一个变量的取值不能由另外一个变量唯一确定，即当变量x取某一个值，变量
线性相关关系是最常见也是最简单的相关关系，通常可以通过观察变量之间的散点图和计算线性相关系数来衡量变量之间的线性相关程度。相关系数包括总体相关系数和样本相关系数。若相关系数是根据总体全部数据计算出来的
正态分布，又称高斯分布，最早由棣莫弗（Abraham de Moivre）提出，之后由高斯应用推广，是统计学中最常见也是应用最广泛的一种连续型分布。若随机变量X的概率密度函数具有如下形式∶则称随机变量
