龙源期刊网 https://www.doczj.com/doc/1d7559728.html,
基于线性回归模型的股票影响因素研究
作者：刘思岐
来源：《全国流通经济》2020年第05期
摘要：随着时代的发展与进步，人们手中的资金增多，人们将资金逐渐从房地产转到股市。由于股票的波动性较大，对于投资者以及相关公司的影响也较大。本文主要通过以通用电气公司为例，研究标准普尔500指数、消费者价格指数和利率对股票的影响，并通过搜集通用电气公司股票收盘价、标准普尔500指数、CPI和利率，进行多元线性回归模型的研究。通过研究，得出影响股票的主要因素为标准普尔500指数、CPI和利率。通过这种方式，可得出影响股票的其他因素。当影响因素发生变化时，消费者可以提前对股价的增长做出判断，并进行买卖，同时可以规避风险，减少损失。
关键词：标准普尔500指数;CPI;市盈率;利率
中图分类号：F832.5;文献识别码：A文章编号：
2096-3157（2020）05-0162-03
一、前言
1.研究背景
1927年8月，美联储采取了贴现率下调的措施，使人们贷款所需还的利息减少，贷款变
得更容易，本想借此促进贸易增长，却不料使股票市场持续升温，整个美国陷入股票热潮。随着越来越多的资金流入股市，股票的发展达到了顶峰，随之而来的就是股市的崩盘。1928年6月，股市出现大幅下跌的情况。许多大型公司股价迅速下跌，股民们和公司蒙受到了巨大的损失，例如贾尼尼公司，在经济方面遭受大量损失最终导致破产，美国的贸易发展受阻。2008年，美国经济陷入紧张阶段。贷款变难，意味着人们贷款购房的压力增大，这导致人们不再热衷于贷款买房。许多人贷款金额较高却不能按期还清债务，银行收回大量房屋，却没有足够的资金使银行再次运转起来。房屋供给量大大高于需求量，房价大幅的下跌和人们的大量卖房使得房价滚雪球式下降。次贷危机的爆发引发了严重的影响。大量银行由于无法及时收回贷款以及大量储蓄者取走存入的资金而纷纷倒闭，引发了金融界的恐慌。标准普尔500指数下跌了39%，纳斯达克指数下跌41%，大量公司受损严重，例如两大房贷巨头“房利美”和“房地美”，
实验四（1）用Excel作一元线性回归分析 实验名称：回归分析 实验目的：学会应用软件实验一元线性回归，多元线性回归和非线性回归模型的求解及应用模型解决相应地理问题。 1 利用Excel进行一元线性回归分析 第一步，录入数据 以连续10年最大积雪深度和灌溉面积关系数据为例予以说明。录入结果见下图（图1）。 图1 第二步，作散点图 如图2所示，选中数据（包括自变量和因变量），点击“图表向导”图标；或者在 “插入”菜单中打开“图表（H）”。图表向导的图标为。选中数据后，数据变为蓝色（图2）（office2003）。插入-图表（office2007)
图2 点击“图表向导”以后，弹出如下对话框（图3）： 图3 在左边一栏中选中“XY散点图”，点击“完成”按钮，立即出现散点图的原始形式（图4）：
图4 第三步，回归 观察散点图，判断点列分布是否具有线性趋势。只有当数据具有线性分布特征时，才能采用线性回归分析方法。从图中可以看出，本例数据具有线性分布趋势，可以进行线性回归。回归的步骤如下： ⑴ 首先，打开“工具”下拉菜单，可见数 据分析选项（见图5） （office2003）。数据-数据分析（office2007) ： 图5 用鼠标双击“数据分析”选项，弹出“数据分析”对话框（图6）：
图6 ⑵然后，选择“回归”，确定，弹出如下选项表（图7）： 图7 进行如下选择：X、Y值的输入区域（B1:B11，C1:C11），标志，置信度（95%），新工作表组，残差，线性拟合图（图8-1）。 或者：X、Y值的输入区域（B2:B11，C2:C11），置信度（95%），新工作表组，残差，线性拟合图（图8-2）。 注意：选中数据“标志”和不选“标志”，X、Y值的输入区域是不一样的：前者包括数据标志： 最大积雪深度x(米)灌溉面积y(千亩) 后者不包括。这一点务请注意（图8）。
1. 表1列出了某地区家庭人均鸡肉年消费量Y 与家庭月平均收入X ，鸡肉价格P 1，猪肉价格P 2与牛肉价格P 3的相关数据。 年份 Y/千 克 X/ 元 P 1/(元/千克) P 2/(元/千克) P 3/(元/千克) 年份 Y/千克 X/元 P 1/(元/ 千克) P 2/(元/ 千克) P 3/(元/千克) 1980 2.78 397 4.22 5.07 7.83 1992 4.18 911 3.97 7.91 11.40 1981 2.99 413 3.81 5.20 7.92 1993 4.04 931 5.21 9.54 12.41 1982 2.98 439 4.03 5.40 7.92 1994 4.07 1021 4.89 9.42 12.76 1983 3.08 459 3.95 5.53 7.92 1995 4.01 1165 5.83 12.35 14.29 1984 3.12 492 3.73 5.47 7.74 1996 4.27 1349 5.79 12.99 14.36 1985 3.33 528 3.81 6.37 8.02 1997 4.41 1449 5.67 11.76 13.92 1986 3.56 560 3.93 6.98 8.04 1998 4.67 1575 6.37 13.09 16.55 1987 3.64 624 3.78 6.59 8.39 1999 5.06 1759 6.16 12.98 20.33 1988 3.67 666 3.84 6.45 8.55 2000 5.01 1994 5.89 12.80 21.96 1989 3.84 717 4.01 7.00 9.37 2001 5.17 2258 6.64 14.10 22.16 1990 4.04 768 3.86 7.32 10.61 2002 5.29 2478 7.04 16.82 23.26 1991 4.03 843 3.98 6.78 10.48 （1） 求出该地区关于家庭鸡肉消费需求的如下模型： 01213243ln ln ln ln ln Y X P P P u βββββ=+++++ （2） 请分析，鸡肉的家庭消费需求是否受猪肉及牛肉价格的影响。 先做回归分析，过程如下： 输出结果如下：
野外实习资料的数理统计分析 一元线性回归分析 一元回归处理的是两个变量之间的关系，即两个变量X和Y之间如果存在一定的关系，则通过观测所得数据，找出两者之间的关系式。如果两个变量的关系大致是线性的，那就是一元线性回归问题。 对两个现象X和Y进行观察或实验，得到两组数值：X1，X2,…，Xn和Y1，Y2，…，Yn,假如要找出一个函数Y=f(X),使它在 X=X1,X2, …,Xn时的数值f(X1),f(X2), …,f(Xn)与观察值Y1，Y2，…，Yn趋于接近。 在一个平面直角坐标XOY中找出（X1，Y1），（X2，Y2），…，（Xn，Yn）各点，将其各点分布状况进行察看，即可以清楚地看出其各点分布状况接近一条直线。对于这种线性关系，可以用数学公式表示： Y = a + bX 这条直线所表示的关系，叫做变量Y对X的回归直线，也叫Y对X 的回归方程。其中a为常数，b为Y对于X的回归系数。 对于任何具有线性关系的两组变量Y与X，只要求解出a与b的值，即可以写出回归方程。计算a与b值的公式为：
式中：为变量X的均值，Xi为第i个自变量的样本值，为因变量的均值，Yi为第i个因变量Y的样本值。n为样本数。 当前一般计算机的Microsoft Excel中都有现成的回归程序，只要将所获得的数据录入就可自动得到回归方程。 得到的回归方程是否有意义，其相关的程度有多大，可以根据相关系数的大小来决定。通常用r来表示两个变量X和Y之间的直线相关程度，r为X和Y的相关系数。r值的绝对值越大，两个变量之间的相关程度就越高。当r为正值时，叫做正相关，r为负值时叫做负相关。r 的计算公式如下： 式中各符号的意义同上。 在求得了回归方程与两个变量之间的相关系数后，可以利用F检验法、t检验法或r检验法来检验两个变量是否显著相关。具体的检验方法在后面介绍。
一元线性回归模型案例分析 一、研究的目的要求 居民消费在社会经济的持续发展中有着重要的作用。居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。改革开放以来随着中国经济的快速发展，人民生活水平不断提高，居民的消费水平也不断增长。但是在看到这个整体趋势的同时，还应看到全国各地区经济发展速度不同，居民消费水平也有明显差异。例如，2002年全国城市居民家庭平均每人每年消费支出为6029.88元, 最低的黑龙江省仅为人均4462.08元，最高的上海市达人均10464元，上海是黑龙江的2.35倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，居民的收入水平、就业状况、零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。 二、模型设定 我们研究的对象是各地区居民消费的差异。居民消费可分为城市居民消费和农村居民消费，由于各地区的城市与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城市居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。所以模型的被解释变量Y 选定为“城市居民每人每年的平均消费支出”。 因为研究的目的是各地区城市居民消费的差异，并不是城市居民消费在不同时间的变动，所以应选择同一时期各地区城市居民的消费支出来建立模型。因此建立的是2002年截面数据模型。 影响各地区城市居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。为了与“城市居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。 从2002年《中国统计年鉴》中得到表2.5的数据: 表2.52002年中国各地区城市居民人均年消费支出和可支配收入
中国税收增长的分析 一、研究的目的要求 改革开放以来，随着经济体制的改革深化和经济的快速增长，中国的财政收支状况发生了很大的变化，中央和地方的税收收入1978年为519.28亿元到2002年已增长到17636.45亿元25年间增长了33倍。为了研究中国税收收入增长的主要原因，分析中央和地方税收收入的增长规律，预测中国税收未来的增长趋势，需要建立计量经济学模型。 影响中国税收收入增长的因素很多，但据分析主要的因素可能有：（1）从宏观经济看，经济整体增长是税收增长的基本源泉。（2）公共财政的需求，税收收入是财政的主体，社会经济的发展和社会保障的完善等都对公共财政提出要求，因此对预算指出所表现的公共财政的需求对当年的税收收入可能有一定的影响。（3）物价水平。我国的税制结构以流转税为主，以现行价格计算的DGP等指标和和经营者收入水平都与物价水平有关。（4）税收政策因素。我国自1978年以来经历了两次大的税制改革，一次是1984—1985年的国有企业利改税，另一次是1994年的全国范围内的新税制改革。税制改革对税收会产生影响，特别是1985年税收陡增215.42%。但是第二次税制改革对税收的增长速度的影响不是非常大。因此可以从以上几个方面，分析各种因素对中国税收增长的具体影响。 二、模型设定 为了反映中国税收增长的全貌，选择包括中央和地方税收的‘国家财政收入’中的“各项税收”（简称“税收收入”）作为被解释变量，以放映国家税收的增长；选择“国内生产总值（GDP）”作为经济整体增长水平的代表；选择中央和地方“财政支出”作为公共财政需求的代表；选择“商品零售物价指数”作为物价水平的代表。由于税制改革难以量化，而且1985年以后财税体制改革对税收增长影响不是很大，可暂不考虑。所以解释变量设定为可观测“国内生产总值（GDP）”、“财政支出”、“商品零售物价指数” 从《中国统计年鉴》收集到以下数据 财政收入（亿元） Y 国内生产总值(亿 元） X2 财政支出（亿 元） X3 商品零售价格指 数（%) X4 1978519.283624.11122.09100.7 1979537.824038.21281.79102 1980571.74517.81228.83106
多元线性回归模型案例分析 ——中国人口自然增长分析一·研究目的要求 中国从1971年开始全面开展了计划生育,使中国总和生育率很快从1970年的降到1980年,接近世代更替水平。此后，人口自然增长率（即人口的生育率）很大程度上与经济的发展等各方面的因素相联系，与经济生活息息相关，为了研究此后影响中国人口自然增长的主要原因，分析全国人口增长规律，与猜测中国未来的增长趋势，需要建立计量经济学模型。 影响中国人口自然增长率的因素有很多，但据分析主要因素可能有：（1）从宏观经济上看，经济整体增长是人口自然增长的基本源泉；（2）居民消费水平，它的高低可能会间接影响人口增长率。(3)文化程度，由于教育年限的高低，相应会转变人的传统观念，可能会间接影响人口自然增长率（4）人口分布，非农业与农业人口的比率也会对人口增长率有相应的影响。 二·模型设定 为了全面反映中国“人口自然增长率”的全貌，选择人口增长率作为被解释变量，以反映中国人口的增长；选择“国名收入”及“人均GDP”作为经济整体增长的代表；选择“居民消费价格指数增长率”作为居民消费水平的代表。暂不考虑文化程度及人口分布的影响。 从《中国统计年鉴》收集到以下数据（见表1）： 表1 中国人口增长率及相关数据
， 设定的线性回归模型为： 1222334t t t t t Y X X X u ββββ=++++ 三、估计参数 利用EViews 估计模型的参数，方法是： 1、建立工作文件：启动EViews ，点击File\New\Workfile ，在对 话框“Workfile Range ”。在“Workfile frequency ”中选择“Annual ” (年 年份 @ 人口自然增长率 （%。） 国民总收入 （亿元） 居民消费价格指数增长 率（CPI ）% 人均GDP （元） 1988 15037 1366 1989 … 17001 18 1519 1990 18718 1644 1991 【 21826 1893 1992 26937 2311 1993 . 35260 2998 1994 48108 4044 1995 — 59811 5046 1996 70142 5846 1997 ~ 78061 6420 1998 83024 6796 1999 【 88479 7159 2000 98000 7858 2001 [ 108068 8622 2002 119096 9398 2003 ： 135174 10542 2004 159587 12336 2005 、 184089 14040 2006 213132 16024
龙源期刊网 https://www.doczj.com/doc/1d7559728.html, 基于线性回归模型的股票影响因素研究 作者：刘思岐 来源：《全国流通经济》2020年第05期 摘要：随着时代的发展与进步，人们手中的资金增多，人们将资金逐渐从房地产转到股市。由于股票的波动性较大，对于投资者以及相关公司的影响也较大。本文主要通过以通用电气公司为例，研究标准普尔500指数、消费者价格指数和利率对股票的影响，并通过搜集通用电气公司股票收盘价、标准普尔500指数、CPI和利率，进行多元线性回归模型的研究。通过研究，得出影响股票的主要因素为标准普尔500指数、CPI和利率。通过这种方式，可得出影响股票的其他因素。当影响因素发生变化时，消费者可以提前对股价的增长做出判断，并进行买卖，同时可以规避风险，减少损失。 关键词：标准普尔500指数;CPI;市盈率;利率 中图分类号：F832.5;文献识别码：A文章编号： 2096-3157（2020）05-0162-03 一、前言 1.研究背景 1927年8月，美联储采取了贴现率下调的措施，使人们贷款所需还的利息减少，贷款变 得更容易，本想借此促进贸易增长，却不料使股票市场持续升温，整个美国陷入股票热潮。随着越来越多的资金流入股市，股票的发展达到了顶峰，随之而来的就是股市的崩盘。1928年6月，股市出现大幅下跌的情况。许多大型公司股价迅速下跌，股民们和公司蒙受到了巨大的损失，例如贾尼尼公司，在经济方面遭受大量损失最终导致破产，美国的贸易发展受阻。2008年，美国经济陷入紧张阶段。贷款变难，意味着人们贷款购房的压力增大，这导致人们不再热衷于贷款买房。许多人贷款金额较高却不能按期还清债务，银行收回大量房屋，却没有足够的资金使银行再次运转起来。房屋供给量大大高于需求量，房价大幅的下跌和人们的大量卖房使得房价滚雪球式下降。次贷危机的爆发引发了严重的影响。大量银行由于无法及时收回贷款以及大量储蓄者取走存入的资金而纷纷倒闭，引发了金融界的恐慌。标准普尔500指数下跌了39%，纳斯达克指数下跌41%，大量公司受损严重，例如两大房贷巨头“房利美”和“房地美”，
案例分析报告 （2014——2015学年第一学期） 课程名称：预测与决策 专业班级：电子商务1202 学号： 2204120202 学生姓名：陈维维 2014 年 11月 案例分析（一元线性回归模型） 我国城镇居民家庭人均消费支出预测 一、研究目的与要求 居民消费在社会经济的持续发展中有着重要的作用，居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。从理论角度讲，消费需求的具体内容主要体现在消费结构上，要增加居民消费，就要从研究居民消费结构入手，只有了解居民消费结构变化的趋势和规律，掌握消费需求的热点和发展方向，才能为消费者提供良好的政策环境，引导消费者合理扩大消费，才能促进产业结构调整与消费结构优化升级相协调，才能推动国民经济平稳、健康发展。例如，2008年全国城镇居民家庭平均每人每年消费支出为11242.85元，?最低的青海省仅为人均8192.56元，最高的上海市达人均19397.89元，上海是黑龙江的2.37倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。 二、模型设定?
我研究的对象是各地区居民消费的差异。居民消费可分为城镇居民消费和农村居民消费，由于各地区的城镇与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城镇居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。 所以模型的被解释变量Y选定为“城镇居民每人每年的平均消费支出”。 因为研究的目的是各地区城镇居民消费的差异，并不是城镇居民消费在不同时间的变动，所以应选择同一时期各地区城镇居民的消费支出来建立模型。因此建立的是2008年截面数据模型。影响各地区城镇居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。 为了与“城镇居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。 以下是2008年各地区城镇居民人均年消费支出和可支配收入表
基于多元线性回归的期权价格预测模型 王某某 （北京航空航天大学计算机学院北京100191）1 摘要：期权是国际市场成熟、普遍的金融衍生品，是金融市场极为重要的金融工具。2015年2月9日，上海证券交易所正式推出了我国首支场内交易期权——上证50ETF期权，翻开了境内场内期权市场的新篇章。50ETF期权上市以来，市场规模逐步扩大，其发展情况境外期权产品相同时期。本文以此为研究背景，以“50ETF购12月1.95”这支期权为研究对象，以今日开盘价、收盘价、最高价、最低价、结算价、成交量、成交额、持仓量、涨停价和跌停价为解释变量，通过多元线性回归模型，预测该期权的明日收盘价。本次研究以多元线性回归的全模型（模型1）为出发点，通过异方差检验、残差的独立性检验、误差的正太分布检验以及多重共线性检验，说明该模型不违反回归的基本假设条件。进而通过主成分回归（模型4）和逐步回归（模型5）进行降维，结果表明因变量与解释变量之间存在强烈的线性相关关系，且主成分回归和逐步回归相比全模型有更好的预测能力。 关键词：期权价格多元线性回归50ETF 多重共线性因子分析 一、引言 期权（option）是依据合约形态划分的一种衍生品，指赋予其购买方在规定期限内按买卖双方约定的价格（即协议价格或行权价格）购买或者出售一定数量某种金融资产（即标的资产）的权利的合约。期权购买方为了获得这个权利，必须支付给期权出售方一定的费用，称为权利金或期权价格[1]。 2015年2月9日，上海证券交易所正式推出了我国首支场内交易期权——上证50ETF，翻开了境内场内期权市场的新篇章。期权是与期货并列的基础衍生产品，是金融市场极为重要的金融工具之一。 自50ETF上市以来，市场规模逐步扩大。2015年2月日均合约成交面值为5.45亿元，12月就达到了47.69亿元，增长了7.75倍；2月日均合约成交量为2.33万张，12月就达到了19.81万张，增长了7.5倍；2月权利金总成交额为2.48亿元，12月就达到了35.98亿元，增长了13.51倍[1]。 我国股票市场有上亿的个人投资者，是一个较为典型的散户市场[1]。相较于专业投资机构讲，散户缺乏时间，精力以及专业分析，投资具有很大的投机行为。对于这些投资者来说，期权价格的变动则是他们最为关注的问题，其变化直接影响到自身的收益。在实际情况中，影响股票价格的因素很多，涉及到金融政策、利率政策以及国际市场等因素，其作用机制也相当复杂[2]。因此，对于期权价格预测的研究，则可以降低投资者的投资风险，及时调整投资结构，从而保障自身的收益。 1作者简介：王某某，北京航空航天大学研究生邮箱：bnuwjx@https://www.doczj.com/doc/1d7559728.html,。
我国农民收入影响因素的回归分析 本文力图应用适当的多元线性回归模型,对有关农民收入的历史数据和现状进行分析,探讨影响农民收入的主要因素,并在此基础上对如何增加农民收入提出相应的政策建议。?农民收入水平的度量常采用人均纯收入指标。影响农民收入增长的因素是多方面的，既有结构性矛盾因素，又有体制性障碍因素。但可以归纳为以下几个方面：一是农产品收购价格水平。二是农业剩余劳动力转移水平。三是城市化、工业化水平。四是农业产业结构状况。五是农业投入水平。考虑到复杂性和可行性，所以对农业投入与农民收入，本文暂不作讨论。因此，以全国为例，把农民收入与各影响因素关系进行线性回归分析，并建立数学模型。 一、计量经济模型分析 (一)、数据搜集 根据以上分析，我们在影响农民收入因素中引入7个解释变量。即：2x -财政用于农业的支出的比重，3x -第二、三产业从业人数占全社会从业人数的比重，4x -非农村人口比重，5x -乡村从业人员占农村人口的比重，6x -农业总产值占农林牧总产值的比重，7x -农作物播种面积，8x —农村用电量。
资料来源《中国统计年鉴2006》。 (二)、计量经济学模型建立 我们设定模型为下面所示的形式： 利用Eviews 软件进行最小二乘估计，估计结果如下表所示： DependentVariable:Y Method:LeastSquares Sample: Includedobservations:19 Variable Coefficient t-Statistic Prob. C X1 X3 X4 X5 X6 X7 X8 R-squared Meandependentvar AdjustedR-squared 表1最小二乘估计结果 回归分析报告为： () ()()()()()()()()()()()()()()() 2345678 2? -1102.373-6.6354X +18.2294X +2.4300X -16.2374X -2.1552X +0.0100X +0.0634X 375.83 3.7813 2.066618.37034 5.8941 2.77080.002330.02128 -2.933 1.7558.820900.20316 2.7550.778 4.27881 2.97930.99582i Y SE t R ===---=230.99316519 1.99327374.66 R Df DW F ====二、计量经济学检验 (一)、多重共线性的检验及修正 ①、检验多重共线性 (a)、直观法 从“表1最小二乘估计结果”中可以看出，虽然模型的整体拟合的很好，但是x4x6
多元线性回归分析预测法 (重定向自多元线性回归预测法) 多元线性回归分析预测法（Multi factor line regression method，多元线性回归分析法） [编辑] 多元线性回归分析预测法概述 在市场的经济活动中，经常会遇到某一市场现象的发展和变化取决于几个影响因素的情况，也就是一个因变量和几个自变量有依存关系的情况。而且有时几个影响因素主次难以区分，或者有的因素虽属次要，但也不能略去其作用。例如，某一商品的销售量既与人口的增长变化有关，也与商品价格变化有关。这时采用一元回归分析预测法进行预测是难以奏效的，需要采用多元回归分析预测法。 多元回归分析预测法，是指通过对两上或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。当自变量与因变量之间存在线性关系时，称为多元线性回归分析。 [编辑] 多元线性回归的计算模型[1] 一元线性回归是一个主要影响因素作为自变量来解释因变量的变化，在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释
因变量的变化，这就是多元回归亦称多重回归。当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元性回归。 设y为因变量，为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为： 其中，b0为常数项，为回归系数，b1为固定时，x1每增加一 个单位对y的效应，即x1对y的偏回归系数；同理b2为固定时，x2每增加一个单位对y的效应，即，x2对y的偏回归系数，等等。如果两个自变量x1,x2同一个因变量y呈线相关时，可用二元线性回归模型描述为： 其中，b0为常数项，为回归系数，b1为固定时，x2每增加一 个单位对y的效应，即x2对y的偏回归系数，等等。如果两个自变量x1,x2同一个因变量y呈线相关时，可用二元线性回归模型描述为： y = b0 + b1x1 + b2x2 + e 建立多元性回归模型时，为了保证回归模型具有优良的解释能力和预测效果，应首先注意自变量的选择，其准则是： (1)自变量对因变量必须有显著的影响，并呈密切的线性相关； (2)自变量与因变量之间的线性相关必须是真实的，而不是形式上的； (3)自变量之彰应具有一定的互斥性，即自变量之彰的相关程度不应高于自变量与因变量之因的相关程度； (4)自变量应具有完整的统计数据，其预测值容易确定。 多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和()为最小的前提下，用最小二乘法求解参数。以二线性回归模型为例，求解回归参数的标准方程组为 解此方程可求得b0,b1,b2的数值。亦可用下列矩阵法求得
一元线性回归分析的结果解释 1.基本描述性统计量 分析：上表是描述性统计量的结果，显示了变量y和x的均数(Mean)、标准差(Std. Deviation)和例数(N)。 2．相关系数 分析：上表是相关系数的结果。从表中可以看出，Pearson相关系数为0.749，单尾显著性检验的概率p值为0.003，小于0.05，所以体重和肺活量之间具有较强的相关性。 3．引入或剔除变量表
分析：上表显示回归分析的方法以及变量被剔除或引入的信息。表中显示回归方法是用强迫引入法引入变量x的。对于一元线性回归问题，由于只有一个自变量，所以此表意义不大。 4．模型摘要 分析：上表是模型摘要。表中显示两变量的相关系数(R)为0.749，判定系数(R Square)为0.562，调整判定系数(Adjusted R Square)为0.518，估计值的标准误差(Std. Error of the Estimate)为0.28775。 5．方差分析表 分析：上表是回归分析的方差分析表(ANOVA)。从表中可以看出，回归的均方(Regression Mean Square)为1.061，剩余的均方(Residual Mean Square)为0.083，F检验统计量的观察值为12.817,相应的概率p 值为0.005，小于0.05，可以认为变量x和y之间存在线性关系。
6．回归系数 分析：上表给出线性回归方程中的参数(Coefficients)和常数项(Constant)的估计值，其中常数项系数为0(注：若精确到小数点后6位，那么应该是0.000413)，回归系数为0.059，线性回归参数的标准误差(Std. Error)为0.016,标准化回归系数(Beta)为0.749，回归系数T检验的t统计量观察值为3.580，T检验的概率p值为0.005，小于0.05，所以可以认为回归系数有显著意义。由此可得线性回归方程为： y=0.000413+0.059x 7．回归诊断 分析：上表是对全部观察单位进行回归诊断(Casewise Diagnostics-all cases)的结果显示。从表中可以看出每一例的标准
摘要 回归分析预测被广泛应用于经济学、社会科学、工程技术和生物学等许多领域当中，进行各专业指标变量的统计分析和预测控制。本文从回归分析预测与其他预测方法的简单算法对比出发，系统的讨论了线性回归分析和非线性回归分析的基本算法，再以八一钢铁股票的历史价格为例，对比多元线性回归和非线性回归分析预测，得出非线性回归分析拟合能力更强、拟合优度更高的结论。 关键字：回归分析预测；非线性回归；线性回归；拟合度
Regression analysis in the stock of the use of forecast Abstract: The regression analysis forecast is widely applied in the economic, the social sciences, the engineering technology and the biology and so on the middle of many domains, carries on each specialized target variable the statistical analysis and the predictive control. This article embarks from the regression analysis forecast with other forecast technique's simple algorithm contrast, system's discussion linear regression analysis and non-linear regression analysis's primary algorithm, again take 81 steel and iron stock's historical price as the example, the contrast multi-dimensional linear regression and the non-linear regression analysis predict that obtained the non-linear regression analysis fitting ability to be stronger, a goodness of fit higher conclusion. Keywords: Forecast regression analysis，Non-linear regression，Linear regression，Fit
回归分析在股票价格预测中的应用 摘要：随着我国市场经济环境的日益成熟，股市规模的不断扩大，股票价格成为投资者、经济、系统科学领域研究的热点问题，影响股票价格的因素越来越多，预测未来的股票价格变得十分有必要。股票市场的价格数据呈时间序列，本文将运用Eviews软件对股票价格进行多元线性回归模型预测，以国电电力的历史价格为例，预测该股票的次日收盘价。通过对比消除共线性前后的两个模型对次日收盘价的预测结果，验证了利用主成分分析消除共线 性后的多元线性回归方程预测效果更好。 关键词：股票价格；Eviews；多元线性回归；主成分分析 Abstract:With the growing maturity of China's market economy environment, the scale of stock market is expanding.Stock price has become a hot topic in the field of investor, economy and system science.There are more and more factors influencing stock prices,so it is very necessary to predict future stock prices.The price data in stock market being time series,this article will use Eviews software to predict stock price by multiple linear regression model.Taking the historical price of Guodian power as an example,we predict the next closing price of the stock.By comparing the prediction results of the two models before and after collinearity to the closing price of the next day,it is proved that the effect of the multivariate linear regression equation after the use of principal component analysis is better than that of the multi linear regression equation after the elimination of the collinearity. Key words:Eviews; Multiple linear regression; Principal component analysis
SPSS--回归-多元线性回归模型案例解析！(一） 多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些而已，例如：一元线性回归方程为： 毫无疑问，多元线性回归方程应该为： 上图中的x1, x2, xp分别代表“自变量”Xp截止，代表有P个自变量，如果有“N组样本，那么这个多元线性回归，将会组成一个矩阵，如下图所示： 那么，多元线性回归方程矩阵形式为： 其中：代表随机误差，其中随机误差分为：可解释的误差和不可解释的误差，随机误差必须满足以下四个条件，多元线性方程才有意义（一元线性方程也一样） 1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。 2：无偏性假设，即指：期望值为0 3：同共方差性假设，即指，所有的随机误差变量方差都相等 4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协方差解释。 今天跟大家一起讨论一下，SPSS---多元线性回归的具体操作过程，下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。数据如下图所示：
点击“分析”——回归——线性——进入如下图所示的界面：
将“销售量”作为“因变量”拖入因变量框内，将“车长，车宽，耗油率，车净重等10个自变量拖入自变量框内，如上图所示，在“方法”旁边，选择“逐步”，当然，你也可以选择其它的方式，如果你选择“进入”默认的方式，在分析结果中，将会得到如下图所示的结果：（所有的自变量，都会强行进入） 如果你选择“逐步”这个方法，将会得到如下图所示的结果：（将会根据预先设定的“F统计量的概率值进行筛选，最先进入回归方程的“自变量”应该是跟“因变量”关系最为密切，贡献最大的，如下图可以看出，车的价格和车轴跟因变量关系最为密切，符合判断条件的概率值必须小于0.05，当概率值大于等于0.1时将会被剔除）
股市中线性回归与线性回归带投资技巧 第一节线性回归的原理 线性回归是统计学原理在技术分析上的运用，简单地说，它表现的是离价格区间最近的一条直线。如果后面的行情是“新的”，它对于线性回归带的支撑与阻力应较敏感。如果后面的行情与前段没什么区别，它对于线性回归带的支撑与阻力就不敏感。 如果不得不去猜测某一股票明犬的价格，较合逻辑的猜测就应该是“尽量贴近今天的价格”。如果股票有上涨的趋势，一个好的猜测就是尽量贴近今天的价格加上一个上调值。线性回归分析正是用统计数字来验证了这些逻辑假设。 线性回归线是用最小平方匹配法求出的两点间的趋势线。这条趋势线表示的是中间价。如果把此线认做是平衡价的话，任何偏移此线的情况都暗示着超买或超卖。 在中间线的上方和下方都建立了线性回归通道线。通道线和线性回归线的间距是收盘价与线性回归线之间的最大距离。回归线包含了价格移动。通道下线是支撑位，通道匕线是阻挡位。价格可能会延伸到通道外一段很短的时间，但如果价格持续在渠道外很长一段时问的话，表明趋势很快就会逆转了。 第二节回归通道的绘画方法 ? 一、线性回归 回归线是回归通道的毛轴线，调出该画线工具后，确定一段行情的高低点出现的时间，就可以在走势图上自动生成回归线。 回归线是通过对股价做线性回归分析统计而形成的，它是一种有别于传统线性的趋势，最接近于股价趋势的真实内涵。 点击查看图片 ? 二、线性回归带 线性回归带的画法与线性回归完全相同，不同的是其生成与回归线平行的线，构成一个通道的形式。 回归线上方的平行线叫通道上轨线; 回归线下方的平行线叫通道下轨线。 点击查看图片 ? 三、回归通道 回归通道的画法与线性回归带是完全相同的，但是在图形上回归通道带有虚线的预测部分。
SPSS 统计分析 多元线性回归分析方法操作与分析 实验目的： 引入1998~2008年上海市城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率和房屋空置率作为变量，来研究上海房价的变动因素。 实验变量： 以年份、商品房平均售价（元/平方米）、上海市城市人口密度(人/平方公里)、城市居民人均可支配收入(元)、五年以上平均年贷款利率(%)和房屋空置率(%)作为变量。 实验方法：多元线性回归分析法 软件：spss19.0 操作过程： 第一步：导入Excel数据文件 1.open data document——open data——open；
2. Opening excel data source——OK. 第二步： 1.在最上面菜单里面选中Analyze——Regression——Linear，Dependent （因变量）选择商品房平均售价，Independents（自变量）选择城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率、房屋空置率；Method选择Stepwise. 进入如下界面： 2.点击右侧Statistics，勾选Regression Coefficients（回归系数）选项组中的Estimates；勾选Residuals（残差）选项组中的Durbin-Watson、
Casewise diagnostics默认；接着选择Model fit、Collinearity diagnotics；点击Continue. 3.点击右侧Plots，选择*ZPRED（标准化预测值）作为纵轴变量，选择DEPENDNT（因变量）作为横轴变量；勾选选项组中的Standardized Residual Plots（标准化残差图）中的Histogram、Normal probability plot；点击Continue.
回归分析 实验内容：基于居民消费性支出与居民可支配收入的简单线性回归分析 【研究目的】 居民消费在社会经济的持续发展中有着重要的作用。影响各地区居民消费支出的因素很多，例如居民的收入水平、商品价格水平、收入分配状况、消费者偏好、家庭财产状况、消费信贷状况、消费者年龄构成、社会保障制度、风俗习惯等等。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的经济模型去研究。 【模型设定】 : 我们研究的对象是各地区居民消费的差异。由于各地区的城市与农村人口比例及经济结构有较大差异，现选用城镇居民消费进行比较。模型中被解释变量Y选定为“城市居民每人每年的平均消费支出”。从理论和经验分析，影响居民消费水平的最主要因素是居民的可支配收入，故可以选用“城市居民每人每年可支配收入”作为解释变量X，选取2010年截面数据。 1、实验数据 表1： —
2010年中国各地区城市居民人均年消费支出和可支配收入
| 数据来源：《中国统计年鉴》2010年 2、实验过程 作城市居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)的散点图，如图1：
表2 模型汇总b — 模型 R R方调整R方标准估计的误差 - 1 .965a.932.930 ~ a.预测变量:(常量),可支配收入X（元）。 b.因变量:消费性支出Y(元) 表3 相关性 、 消费性支出Y (元) 可支配收入X（元） Pearson相关 性消费性支出Y(元)& .965 ！ 从散点图可以看出居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)大体呈现为线性关系，所以建立如下线性模型：Y=a+bX
经济研究 基于改进多元线性回归的股票价格预测模型 李俊豪 （辽宁师范大学数学学院，辽宁?大连?116021） 摘?要：当前股票市场价格波动剧烈，不论是专业股票投资者以及相关从业人员还是二级市场中的散户都希望找到一条行之有 效的路径进行股票价格预测，这不仅能帮助投资者控制风险，也可以帮助其减少不必要的损失。本文以当前比较流行的多元线性 回归法为基础，并使用因子分析将这一方法进行改进对贵州茅台（SHSE. 600519）这一支股票进行股价预测，最终通过比较预测效果，推行出适用于该股票的股价预测模型。 关键词：量化投资；多元线性回归；因子分析；股价预测；数学建模 0?引言 事实上，量化投资就是使用数学的方法与手段在经济现象中找到数据存在的内在联系，通过K线图的观察，可以看到当前某些股票有明显的时间序列上的线性关系，那么进而可以大胆的假设，实际上股票价本身是否与自身的各个指标之间有着较强的线性关系。本文建立了多元线性回归模型，把股价作为被解释变量，其他影响因素作为解释变量，进行模型模拟。［1］我们在对该模型进行共线性诊断时会发现，开盘价、最高价、最低价、收盘价、总手数、次日开盘价这些自变量间存在严重的多重共线性，影响了模型的预测效果。事实上，计量经济学理论给出了多种消除多重共线性有多种处理方式，本文选择使用较为简便的方式，即因子分析来消除多重共线性。在进行因子分析后，我们将多个解释变量最终分为两个因子，分别是价格因子和数量因子，以这两个因子为自变量，次日收盘价为因变量进行多元线性回归，得到的回归方程模型进行预测的结果远远优于之前的回归模型。［2］本文最终使用东方财富软件上的日K线图上的数据作为数据来源，选取贵州茅台（SHSE.600519）这只绩优的白马股作为目标股票，把2018.10.30-2019.4.17共计114个交易日作为模型建立的训练集，把2019.4.18-2019.4.30共计9个交易日作为模型检验回测期。 1?多元线性回归 1.1?模型建立 多元线性回归使用当日开盘价、最高价、最低价、总手数，次日开盘价为自变量，次日收盘价为因变量作出多元线性方程进行求解预测。 表1?模型汇总b 模型R R 方调整 R 方标准 估计的误差 更改统计量 Durbin-Watson R 方更改 F 更改df1df2Sig. F 更改 1.994a.989.9881 2.49938.9891569.4876107.000 2.092 a.?预测变量:?(常量),?次日开盘价,?总手数,?当日开盘价,?收盘价,?最低价,?最高价； b.?因变量:?次日收盘价 表2?系数 模型B 非标准化系数标准系数 t Sig.容差 共线性统计量标准 误差试用版VIF 1 (常量)-8.0997.652-1.058.292 当日开盘价-.082.236-.080-.347.729.002501.052最高价.296.348.294.852.396.0011133.479最低价.412.292.395 1.413.161.001743.459收盘价-.724.304-.713-2.383.019.001852.180总手数 3.722E-007.000.008.540.590.50731.974次日开盘价 1.112.167 1.098 6.673.000.004257.667 设次日收盘价为Y，当日开盘价为X1，最高价为X 2 ，最低价为X3，收盘价为X4，总手数为X5，次日开盘价为X6，可以得到多元回归方程为： Y=-8.099-0.082X 1 +0.296X2+0.412X3-0.724X4+ 3.722*10-7X5+1.112X6 其中R2为0.988，说明数据的拟合程度相当好，并且根据DW检验数值显示，由于DW值在2左右，该模型不具有自相关性。1.2?模型预测 将各解释变量的数值代入多元线性回归方程中有：Y=-8.099-0.082X 1 +0.296X2+0.412X3-0.724X4+ 3.722*10-7X5+1.112X6 次日收盘价（2019.04.18-2019.04.30）的预测值是：942.59，948.55，961.15，962.3，981.01，973.27，956.91，956.03，967.04 与观察值的绝对误差分别为：2.91，4.01，11.95， 61 2019年第8期