当前位置：文档之家 › 多元线性回归模型

多元线性回归模型

  • 格式：ppt
  • 大小：1.04 MB
  • 文档页数：62

下载文档原格式

  / 62

合集下载

多元线性回归模型

多元线性回归模型

第三章多元线性回归模型一、名词解释1、多元线性回归模型：在现实经济活动中往往存在一个变量受到其他多个变量影响的现象，表现在线性回归模型中有多个解释变量，这样的模型被称做多元线性回归模型，多元是指多个解释变量2、调整的可决系数R2:又叫调整的决定系数，是一个用于描述多个解释变量对被解释变量的联合影响程2 2-2 2 门度的统计量‘克服了R随解释变量的增加而增大的缺陷，与R的矢系为R2=1 -（1 -R2）-n — k —1 3、偏回归系数：在多元回归模型中，每一个解释变量前的参数即为偏回归系数，它测度了当其他解释变量保持不变时，该变量增加1单位对被解释变量带来的平均影响程度。

4、正规方程组：采用OLS方法估计线性回归模型时，对残差平方和矢于各参数求偏导，并令偏导数为0后得到的方程组，其矩阵形式为XX A XYo5、方程显著1•生检验：是针对所有解释变量对被解释变量的联合影响是否显著所作的检验，旨在对模型中被解释变量与解释变量之间的线性矢系在总体上是否显著成立作岀判断。

、单项选择题1、C ： F统计量的意义2、A： F统计量的定义22 Z ei3、B ：随机误差项方差的估计值:? ・n _k_14、A :书上P92和P93公式5、C： A参看导论部分内容；B在判断多重共线等问题的时候，很有必要；D在相同解释变量情况下可以衡量6、C ：书上P99,比较F统计量和可决系数的公式即可7、A ：书P818、D ： A截距项可以不管它；B不考虑betaO ；C相矢矢系与因果矢系的辨析9、B ：注意！只是在服从基本假设的前提下，统计量才服从相应的分布10、 D : AB不能简单通过可决系数判断模型好坏，还要考虑样本量、异方差等问题；三、多项选择题1、ACDE ：概念性2、BD :概念性3、BCD :总体显著，则至少一个参数不为04、BC :参考可决系数和F统计量的公式5、AD :考虑极端情况，ESS=O,可发现CE错四、判断题、1 ' " 2、” 3 > X 4 > X：调整的可决系数5、”五、简答题1、答：多元线性回归模型与一元线性回归模型的区别表现在如下几个方面：一是解释变量的个数不同；二是模型的经典假设不同，多元线性回归模型比一元线性回归模型多了个“解释变量之间不存在线性相矢尖系”的假定：三是多元线性回归模型的参数估计式的表达更为复杂。

第三章 多元线性回归模型

第三章 多元线性回归模型

即
Y Xb U
X 称为数据矩阵或设计矩阵。
6
二、古典假定
假定1：零均值假定 E(ui ) 0 (i 1,2,...,n)
1 E ( 1 ) E ( ) 2 2 E (μ) E 0 n E ( n )
写成矩阵形式：
Y1 1 X 21 Y 1 X 22 2 Yn 1 X 2 n X 31 X k 1 b 1 u1 X 32 X k 2 b 2 u 2 X 3 n X kn b k un
或
ei 1 X 21 X e 1 X 22 2i i X ki ei 1 X 2 n X 31 X k 1 e1 X 32 X k 2 e2 X e 0 X 3 n X kn en
9
当总体观测值难于得到时，回归系数向 量 b 是未知的，这时可以由样本观测值进行 估计，可表示为
ˆ ˆ Xb Y
但实际观测值与计算值有偏差，记为：
ˆ e Y Y
于是
ˆ e Y Xb
称为多元样本回归函数。
10
ˆ b 1 ˆ b2 ˆ b ˆ b k
同理
ˆ x x b ˆ x 2 x3 i yi b 2 2i 3i 3 3i
x2 i yi x x3 i yi x2 i x3 i ˆ b2 2 2 2 x2 x ( x x ) i 3i 2i 3i
2 3i
x3 i yi x x2 i yi x2 i x3 i ˆ b3 2 2 2 x2 x ( x x ) i 3i 2i 3i

多元线性回归模型

多元线性回归模型

Cov( X ji , i ) 0
j 1,2, k
假设4，随机项满足正态分布
i ~ N (0, 2 )
上述假设的矩阵符号表示 式：
假设1，n(k+1)维矩阵X是非随机的，且X的秩=k+1，
即X满秩。
回忆线性代数中关于满秩、线性无关!
假设2，
E (μ)
E
1
E (1 )
0
n E( n )
X ki ) ) X 1i ) X 2i
Yi Yi X 1i Yi X 2i
(ˆ0 ˆ1 X 1i ˆ2 X 2i ˆk X ki ) X ki Yi X ki
解该（ k+1）个方程组成的线性代数方程组，即
可得到(k+1) 个待估参数的估计值
$ j
,
j
0,1,2, ,
k
。
□正规方程组的矩阵形式
en
二、多元线性回归模型的基本假定
假设1，解释变量是非随机的或固定的，且各X之间互不 相关（无多重共线性）。
假设2，随机误差项具有零均值、同方差及不序列相关 性。
E(i ) 0
i j i, j 1,2,, n
Var
(i
)
E
(
2 i
)
2
Cov(i , j ) E(i j ) 0
假设3，解释变量与随机项不相关
这里利用了假设: E(X’)=0
等于0，因为解释变 量与随机扰动项不相 关。
3、有效性（最小方差性）
ˆ 的方差-协方差矩阵为
Co（v ˆ） E{[ˆ E（ˆ）][ˆ E（ˆ）]}
E[(ˆ )(ˆ )]
E{（[ X X）-1X ]（[ X X）-1X ]}

多元线性回归的计算模型

多元线性回归的计算模型

多元线性回归的计算模型多元线性回归模型的数学表示可以表示为：Y=β0+β1X1+β2X2+...+βkXk+ε，其中Y表示因变量，Xi表示第i个自变量，βi表示第i个自变量的回归系数（即自变量对因变量的影响），ε表示误差项。

1.每个自变量与因变量之间是线性关系。

2.自变量之间相互独立，即不存在多重共线性。

3.误差项ε服从正态分布。

4.误差项ε具有同方差性，即方差相等。

5.误差项ε之间相互独立。

为了估计多元线性回归模型的回归系数，常常使用最小二乘法。

最小二乘法的目标是使得由回归方程预测的值与实际值之间的残差平方和最小化。

具体步骤如下：1.收集数据。

需要收集因变量和多个自变量的数据，并确保数据之间的正确对应关系。

2.建立模型。

根据实际问题和理论知识，确定多元线性回归模型的形式。

3.估计回归系数。

利用最小二乘法估计回归系数，使得预测值与实际值之间的残差平方和最小化。

4.假设检验。

对模型的回归系数进行假设检验，判断自变量对因变量是否显著。

5. 模型评价。

使用统计指标如决定系数（R2）、调整决定系数（adjusted R2）、标准误差（standard error）等对模型进行评价。

6.模型应用与预测。

通过多元线性回归模型，可以对新的自变量值进行预测，并进行决策和提出建议。

多元线性回归模型的计算可以利用统计软件进行，例如R、Python中的statsmodels库、scikit-learn库等。

这些软件包提供了多元线性回归模型的函数和方法，可以方便地进行模型的估计和评价。

在计算过程中，需要注意检验模型的假设前提是否满足，如果不满足可能会影响到模型的可靠性和解释性。

总而言之，多元线性回归模型是一种常用的预测模型，可以分析多个自变量对因变量的影响。

通过最小二乘法估计回归系数，并进行假设检验和模型评价，可以得到一个可靠的模型，并进行预测和决策。

计量经济学-多元线性回归模型

计量经济学-多元线性回归模型
多元线性回归模型的表达式
Y=β0+β1X1+β2X2+...+βkXk+ε，其中Y为因变 量，X1, X2,..., Xk为自变量，β0, β1,..., βk为回归 系数，ε为随机误差项。
多元线性回归模型的假设条件
包括线性关系假设、误差项独立同分布假设、无 多重共线性假设等。
研究目的与意义
研究目的
政策与其他因素的交互作用
多元线性回归模型可以引入交互项，分析政策与其他因素（如技 术进步、国际贸易等）的交互作用，更全面地评估政策效应。
实例分析：基于多元线性回归模型的实证分析
实例一
预测某国GDP增长率：收集该国历史数据，包括GDP、投资、消费、出口等变量，建立 多元线性回归模型进行预测，并根据预测结果提出政策建议。
最小二乘法原理
最小二乘法是一种数学优化技术，用 于找到最佳函数匹配数据。
残差是观测值与预测值之间的差，即 e=y−(β0+β1x1+⋯+βkxk)e = y (beta_0 + beta_1 x_1 + cdots + beta_k x_k)e=y−(β0+β1x1+⋯+βkxk)。
在多元线性回归中，最小二乘法的目 标是使残差平方和最小。
t检验
用于检验单个解释变量对被解释变量的影响 是否显著。
F检验
用于检验所有解释变量对被解释变量的联合 影响是否显著。
拟合优度检验
通过计算可决系数（R-squared）等指标， 评估模型对数据的拟合程度。
残差诊断
检查残差是否满足独立同分布等假设，以验 证模型的合理性。
04
多元线性回归模型的检验与 诊断

多元线性回归模型的估计与解释

多元线性回归模型的估计与解释

多元线性回归模型的估计与解释多元线性回归是一种广泛应用于统计学和机器学习领域的预测模型。

与简单线性回归模型相比，多元线性回归模型允许我们将多个自变量引入到模型中，以更准确地解释因变量的变化。

一、多元线性回归模型的基本原理多元线性回归模型的基本原理是建立一个包含多个自变量的线性方程，通过对样本数据进行参数估计，求解出各个自变量的系数，从而得到一个可以预测因变量的模型。

其数学表达形式为：Y = β0 + β1X1 + β2X2 + ... + βnXn + ε其中，Y为因变量，X1、X2、...、Xn为自变量，β0、β1、β2、...、βn为模型的系数，ε为误差项。

二、多元线性回归模型的估计方法1. 最小二乘法估计最小二乘法是最常用的多元线性回归模型估计方法。

它通过使残差平方和最小化来确定模型的系数。

残差即观测值与预测值之间的差异，最小二乘法通过找到使残差平方和最小的系数组合来拟合数据。

2. 矩阵求解方法多元线性回归模型也可以通过矩阵求解方法进行参数估计。

将自变量和因变量分别构成矩阵，利用矩阵运算，可以直接求解出模型的系数。

三、多元线性回归模型的解释多元线性回归模型可以通过系数估计来解释自变量与因变量之间的关系。

系数的符号表示了自变量对因变量的影响方向，而系数的大小则表示了自变量对因变量的影响程度。

此外，多元线性回归模型还可以通过假设检验来验证模型的显著性。

假设检验包括对模型整体的显著性检验和对各个自变量的显著性检验。

对于整体的显著性检验，一般采用F检验或R方检验。

F检验通过比较回归平方和和残差平方和的比值来判断模型是否显著。

对于各个自变量的显著性检验，一般采用t检验，通过检验系数的置信区间与预先设定的显著性水平进行比较，来判断自变量的系数是否显著不为零。

通过解释模型的系数和做假设检验，我们可以对多元线性回归模型进行全面的解释和评估。

四、多元线性回归模型的应用多元线性回归模型在实际应用中具有广泛的应用价值。

03多元线性回归模型

03多元线性回归模型多元线性回归模型是一种经济学和统计学中广泛使用的模型，用于描述多个自变量与因变量之间的关系。

它是在线性回归模型的基础上发展而来的。

在多元线性回归模型中，因变量是由多个自变量共同决定的。

Y = β0 + β1X1 + β2X2 + β3X3 + … + βkXk + ε其中，Y表示因变量，X1、X2、X3等表示自变量，β0、β1、β2、β3等表示回归系数，ε表示误差项。

回归系数β0、β1、β2、β3等表示自变量对因变量的影响程度。

回归系数的符号和大小反映着自变量与因变量的正相关或负相关程度以及影响的大小。

误差项ε是对影响因变量的所有其他变量的影响程度的度量，它是按照正态分布随机生成的。

在多元线性回归模型中，回归系数和误差项都是未知的，需要根据样本数据进行估计。

通常采用最小二乘法来估计回归系数和误差项。

最小二乘法是一种常用的方法，它通过最小化误差平方和来估计回归系数与误差项。

最小二乘法假设误差为正态分布，且各自变量与误差无关。

因此，通过最小二乘法求解出的回归系数可以用于预测新数据。

多元线性回归模型还需要检验回归系数的显著性。

通常采用F检验和t检验来进行检验。

F检验是用于检验整个多元线性回归模型的显著性，即检验模型中所有自变量是否与因变量有关系。

F检验的原假设是回归方程中所有回归系数都为0，备择假设是至少有一个回归系数不为0。

如果p-value小于显著性水平，就可以拒绝原假设，认为多元线性回归模型显著。

总之，多元线性回归模型利用多个自变量来解释因变量的变化，是一种实用性强的模型。

它的参数估计和显著性检验方法也相对比较成熟，可以用于多个领域的实际问题分析。

多元线性回归模型原理

多元线性回归模型原理Y=β0+β1*X1+β2*X2+...+βn*Xn+ε其中，Y表示因变量，X1、X2、..、Xn表示自变量，β0、β1、β2、..、βn表示模型的参数，ε表示误差项。

通过对数据进行拟合，即最小化误差平方和，可以估计出模型的参数。

多元线性回归模型的原理是基于最小二乘法，即通过最小化残差平方和来估计参数的值。

残差是指模型预测值与真实值之间的差异，最小二乘法的目标是找到一组参数，使得所有数据点的残差平方和最小。

通过求解最小二乘估计，可以得到模型的参数估计值。

为了评估模型的拟合程度，可以使用各种统计指标，例如R方值、调整R方值、标准误差等。

R方值表示模型解释因变量方差的比例，取值范围在0到1之间，值越接近1表示模型对数据的拟合程度越好。

调整R方值考虑了模型中自变量的个数和样本量之间的关系，可以更准确地评估模型的拟合程度。

标准误差表示模型预测值与真实值之间的标准差，可以用于评估模型的预测精度。

在建立多元线性回归模型之前，需要进行一些前提条件的检查，例如线性关系、多重共线性、异方差性和自变量的独立性。

线性关系假设要求自变量与因变量之间存在线性关系，可以通过散点图、相关系数等方法来检验。

多重共线性指的是自变量之间存在高度相关性，会导致参数估计的不稳定性，可以使用方差膨胀因子等指标来检测。

异方差性指的是残差的方差不恒定，可以通过残差图、方差齐性检验等方法来检验。

自变量的独立性要求自变量之间不存在严重的相关性，可以使用相关系数矩阵等方法来检验。

当满足前提条件之后，可以使用最小二乘法来估计模型的参数。

最小二乘法可以通过不同的方法来求解，例如解析解和数值优化方法。

解析解通过最小化误差平方和的一阶导数为零来求解参数的闭式解。

数值优化方法通过迭代来求解参数的数值估计。

除了最小二乘法，还有其他方法可以用于估计多元线性回归模型的参数，例如岭回归和lasso回归等。

岭回归和lasso回归是一种正则化方法，可以对模型进行约束，可以有效地避免过拟合问题。

多元线性回归模型检验

多元线性回归模型检验引言多元线性回归是一种常用的统计分析方法，用于研究两个或多个自变量对目标变量的影响。

在应用多元线性回归前，我们需要确保所建立的模型符合一定的假设，并进行模型检验，以保证结果的可靠性和准确性。

本文将介绍多元线性回归模型的几个常见检验方法，并通过实例进行说明。

一、多元线性回归模型多元线性回归模型的一般形式可以表示为：$$Y = \\beta_0 + \\beta_1X_1 + \\beta_2X_2 + \\ldots + \\beta_pX_p +\\varepsilon$$其中，Y为目标变量，$X_1,X_2,\\ldots,X_p$为自变量，$\\beta_0,\\beta_1,\\beta_2,\\ldots,\\beta_p$为模型的回归系数，$\\varepsilon$为误差项。

多元线性回归模型的目标是通过调整回归系数，使得模型预测值和实际观测值之间的误差最小化。

二、多元线性回归模型检验在进行多元线性回归分析时，我们需要对所建立的模型进行检验，以验证假设是否成立。

常用的多元线性回归模型检验方法包括：1. 假设检验多元线性回归模型的假设包括：线性关系假设、误差项独立同分布假设、误差项方差齐性假设和误差项正态分布假设。

我们可以通过假设检验来验证这些假设的成立情况。

•线性关系假设检验：通过F检验或t检验对回归系数的显著性进行检验，以确定自变量与目标变量之间是否存在线性关系。

•误差项独立同分布假设检验：通过Durbin-Watson检验、Ljung-Box 检验等统计检验，判断误差项是否具有自相关性。

•误差项方差齐性假设检验：通过Cochrane-Orcutt检验、White检验等统计检验，判断误差项的方差是否齐性。

•误差项正态分布假设检验：通过残差的正态概率图和Shapiro-Wilk 检验等方法，检验误差项是否满足正态分布假设。

2. 多重共线性检验多重共线性是指在多元线性回归模型中，自变量之间存在高度相关性的情况。

多元线性回归模型

多元线性回归模型多元线性回归是一种用于分析多个自变量与一个因变量之间关系的统计方法。

在这种分析中，我们试图根据已知自变量的值来预测因变量的值。

该模型常用于市场研究、金融分析、生物统计和其他领域。

在本文中，我们将介绍多元线性回归的基础概念和实践应用。

一般来说，线性回归的目的是找到一个线性函数y=ax+b来描述一个因变量y与一个自变量x的关系。

但是，在现实生活中，我们通常需要考虑多个自变量对因变量的影响。

这时就需要采用多元线性回归模型来描述这种关系。

多元线性回归模型可以表示为：y=b0 + b1x1 + b2x2 + … + bnxn + ε其中，y是因变量，x1, x2, …, xn是自变量，b0, b1, b2, …, bn是回归系数，ε是误差项，反映了因变量和自变量之间未能被回归方程中的自变量解释的差异。

多元线性回归的重要性质是，每个自变量对因变量的影响是独立的。

也就是说，当我们同时考虑多个自变量时，每个自变量对因变量的解释将被考虑到。

多元线性回归模型的核心是确定回归系数。

回归系数表明了自变量单位变化时，因变量的变化量。

确定回归系数的一种方法是最小二乘法。

最小二乘法是一种通过最小化实际值与预测值之间的差值来确定回归系数的方法。

我们可以使用矩阵运算来计算回归系数。

设X为自变量矩阵，y为因变量向量，则回归系数向量b可以通过以下公式计算：b = (XTX)-1XTy其中，XT是X的转置，(XTX)-1是X的逆矩阵。

在计算回归系数之后，我们可以使用多元线性回归模型来预测因变量的值。

我们只需要将自变量的值代入回归方程中即可。

但是，我们需要记住，这种预测只是基于样本数据进行的，不能完全代表总体数据。

多元线性回归模型有很多实际应用。

一个常见的例子是用于市场营销中的顾客预测。

通过对顾客的年龄、性别、教育程度、收入等数据进行分析，可以预测他们的购买行为、购买频率和购买方式等，这些预测结果可以帮助企业做出更好的营销决策。

  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

其中:k为解释变量的数目，j称为回归参数 （regression coefficient）。
习惯上：把常数项看成为一虚变量的系 数，该虚变量的样本观）
Yi 0 1 X 1i 2 X 2 i k X ki i
ei称为残差或剩余项(residuals)，可看成是 总体回归模型中随机扰动项i的近似替代。
二、多元线性回归模型的基本假定
（注意和一元线性回归模型的基本假定相比较）
假设1，解释变量是非随机的或固定的，且各X之间不存在完全共线性 （即无多重共线性，或解释变量之间不完全线性相关）(注：这一假设 只有在多元线性回归模型的基本假定中才有，而在一元线性回归模型中 没有，为什么？）。
j 1,2, k
如果X是非随机机的（即为固定值），则该假设自动 满足。因为一个固定值与一个随机变量之间当然不相关。
假设4，随机项满足正态分布
i ~ N ( 0, 2 )
推导：误差项代表了没有纳入回归模型的其他所有影响因素。 因为这些影响因素中，每种因素对Y的影响都很微弱。如果 所有这些影响因素都是随机的，并用μ代表所有这些影响因素 之和，那么根据中心极限定理，可以假设误差项服从正态分 布
n
• 根据最 小二乘原 理，参数 估计值应 该是右列 方程组的 解
ˆ 0 ˆ 1 ˆ 2 ˆ k
Q 0 Q 0 Q 0 Q 0
其 中
ˆ )2 Q e (Yi Y i
i 1 2 i i 1
量保持不变的情况下，X j每变化1个单位时，Y的 均值E(Y)的变化; 或者说j给出了X j的单位变化对Y均值的 “直接”或“净”（不含其他变量）影响。
用来估计总体回归函数的样本回归函数为：
ˆ ˆ X ˆ X ˆ X ˆ Y i 0 1 1i 2 2i ki ki
ˆ ˆ X ˆ X ˆ X e 其随机表示式: Yi 0 1 1i 2 2i ki ki i
假设2，随机误差项具有零均值、同方差及不序列相关性。
E ( i ) 0
2 i
i j i, j 1,2,, n
2
Var ( i ) E ( )
Cov ( i , j ) E ( i j ) 0
假设3，解释变量与随机项不相关
Cov ( X ji , i ) 0
也被称为总体回归函数的随机表达形式。它 的 非随机（即确定）表达式为:
E(Yi | X 1i , X 2i , X ki ) 0 1 X 1i 2 X 2i k X ki
表示： 各变量 X 值固定（即给定）时 Y 的平均响 应（即均值）。
j也被称为偏回归系数，表示在其他解释变
n
ˆ ˆ X ˆ X ˆ X )) (Yi ( 0 1 1i 2 2i k ki
i 1
n
2
• 于是得到关于待估参数估计值的正规方程组：
ˆ ˆ X ˆ X ˆ X ) SY S( 0 1 1i 2 2i k ki i ˆ ˆ X ˆ X ˆ X ) X SY X S( 0 1 1i 2 2i k ki 1i i 1i ˆ ˆ X ˆ X ˆ X ) X SY X S( 0 1 1i 2i 2i k ki 2i i 2i ˆ ˆ X ˆ X ˆ X ) X SY X S( 0 1 1i 2 2i k ki ki i ki
三变量模型回归系数的OLS估计量（教材P156）
ˆ Y ˆ X ˆ X 1 2 2 3 3
2 x y x x y x x 2 i i 3 i 3 i i 2 i 3 i ˆ 2 2 2 2 x2i x3i x2i x3i 2 x y x x y x x 3 i i 2 i 2 i i 2 i 3 i ˆ 3 2 2 2 x2i x3i x2i x3i
–
我们只学习OLS
一、普通最小二乘估计
• 对于随机抽取的n组观测值 (Yi , X ji ), i 1,2,, n, j 0,1,2, k 如果样本函数的参数估计值已经得到，则有：
ˆ ˆ X ˆ X ˆ X ˆ Y i 0 1 1i 2 2i ki Ki
i=1,2…n
§3.1 多元线性回归模型
一、多元线性回归模型
二、多元线性回归模型的基本假定
一、多元线性回归模型
多元线性回归模型:表现在线性回归模型中的 解释变量有多个。 一般表现形式：
Yi 0 1 X 1i 2 X 2 i k X ki i
i=1,2…,n
§3.2 多元线性回归模型的估计
一、普通最小二乘估计
*二、最大或然估计(Maximum Likelihood)
*三、矩估计（Moment Method) 四、参数估计量的性质
* 五、样本容量问题
六、估计实例
说 明
（注：参数有两类：结构参数和分布参数，分布参数是 指随机误差项的均值和方差） 估计方法： 3大类方法：OLS、ML或者MM – – 在经典模型中多应用OLS 在非经典模型中多应用ML或者MM
解该（k+1） 个方程组成的线性代数方程组，即
$ , j 012 , , ,, k 。 可得到(k+1) 个待估参数的估计值 j
注 意 （特别重要）
《经济计量学精要》（古亚拉提 著）将多元回归分析中的解 释变量限定在2个（该类多元回归模型也称为三变量模型）。 但实际中的多元回归模型的解释变量往往多于2个（有3个或3 个以上），那么估计公式会更复杂。在这种情况下，必须使用 矩阵代数知识。当然，本书没有使用矩阵代数知识。不过现在 很少有人手工计算了，还是让计算机做这些复杂的工作吧。 初学者只需先掌握含两个解释变量的多元回归模型（以避免复 杂的矩阵代数运算），以下的分析都建立在以2个解释变量为 前提的多元回归模型基础上。