回归分析中的加权估计方法

① 什么是加权最小二乘法，它的基本思想是什么

加权最小二乘法是对原模型进行加权，使之成为一个新的不存在异方差性的模型，然后采用普通最小二乘法估计其参数的一种数学优化技术。

线性回归的假设条件之一为方差齐性，若不满足方差齐性（即因变量的变异程度会随着自身的预测值或者其它自变量的变化而变化）这个假设条件时，就需要用加权最小二乘法（WLS）来进行模型估计。

加权最小二乘法（WLS）会根据变异程度的大小赋予不同的权重，使其加权后回归直线的残差平方和最小，从而保证了模型有更好的预测价值。

(1)回归分析中的加权估计方法扩展阅读

在多重线性回归中，我们采用的是普通最小二乘法(OLS)估计参数，对模型中每个观测点是同等看待的。但是在有些研究问题中，例如调查某种疾病的发病率，以地区为观测单位，地区的人数越多，得到的发病率就越稳定，因变量的变异程度就越小，而地区人数越少，得到的发病率就越大。

在这种情况下，因变量的变异程度会随着自身数值或者其他变量的变化而变化，从而不满足残差方差齐性的条件。

为了解决这个问题，我们采用加权最小二乘法(WLS)的方法来估计模型参数，即在模型拟合时，根据数据变异程度的大小赋予不用的权重，

对于变异程度较小，测量更准确的数据赋予较大的权重，对于变异程度较大，测量不稳定的数据则赋予较小的权重，从而使加权后回归直线的残差平方和最小，确保模型有更好的预测价值。

② 回归分析法和加权平均法的异同比较及举例

所谓回归分析法，是在掌握大量观察数据的基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式（称回归方程式）。回归分析中，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析；当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。此外，回归分析中，又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的，分为线性回归分析和非线性回归分析。通常线性回归分析法是最基本的分析方法，遇到非线性回归问题可以借助数学手段化为线性回归问题处理
在物流的计算中，回归分析法的公式如下：
y=a+bx
b=n·∑xy－∑x∑y／n·∑x²－(∑x)²
a=∑y－b·∑x／n
加权平均法：是指在月末，将某种材料期初结存数量和本月收入数量为权数，用来计算出该材料的平均单位成本的一种方法。具体地说，这种方法是将某材料的月初库存金额与本月购入的金额之和除以月初库存数量与本月购进数量之和，所求得的该种材料月末平均单价，即作为本月发出材料成本的单价，其计算公式如下：

月末平均单价＝（月初库存材料金额＋本月购进各批材料金额）/（月出库存材料数量＋本月购进各批材料数量）

③ 什么是分布滞后模型参数估计的经验加权法

是分布滞后模型参数估计的经验加权法是：

分布滞后模型，是要将当期数据减去前期数据，得到新数据为新变量的当期数据，而初期数据没得减，就损失掉了，自由度就是样本观测值的数量，所以损失了自由度。一般情况下，样本观测值的减少会降低估计精度。

含义

在涉及时间序列数据的回归分析中，如果回归模型中不仅包含有解释变量的当前值，还含有它们的滞后值，就把它称为分布滞后模型（distributed-lag model）。如果模型在它的解释变量中包含有因变量的一个或多个滞后值，就称它为自回归模型（autoregressive model）。如果模型中的解释变量中既包含有解释变量的滞后值又含有被解释变量的滞后值，就将其称为自回归分布滞后模型。

④ 多元线性回归分析模型中估计系数的方法是什么

多元线性回归分析模型中估计系数的方法是：多元线性回归分析预测法

多元线性回归分析预测法：是指通过对两个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。

多元线性回归预测模型一般公式为： 多元线性回归模型中最简单的是只有两个自变量（n=2）的二元线性回归模型，其一般形式为：
下面以二元线性回归分析预测法为例，说明多元线性回归分析预测法的应用。
二元线性回归分析预测法，是根据两个自变量与一个因变量相关关系进行预测的方法。二元线性回归方程的公式为：式中：：因变量；
x1,x2：两个不同自变量，即与因变量有紧密联系的影响因素。
a,b1,b2：是线性回归方程的参数。
a,b1,b2是通过解下列的方程组来得到。
二元线性回归预测法基本原理和步骤同一元线性回归预测法没有原则的区别，大体相同。

“多元线性回归分析预测法”网络链接：http://ke..com/view/1338395.htm

⑤ 常见的回归分析方法有哪些

1/6分步阅读
1.线性回归方法：通常因变量和一个（或者多个）自变量之间拟合出来是一条直线（回归线），通常可以用一个普遍的公式来表示：Y（因变量）=a*X（自变量）+b+c，其中b表示截距，a表示直线的斜率，c是误差项。如下图所示。

2/6
2.逻辑回归方法：通常是用来计算“一个事件成功或者失败”的概率，此时的因变量一般是属于二元型的（1 或0，真或假，有或无等）变量。以样本极大似然估计值来选取参数，而不采用最小化平方和误差来选择参数，所以通常要用log等对数函数去拟合。如下图。

3/6
3.多项式回归方法：通常指自变量的指数存在超过1的项，这时候最佳拟合的结果不再是一条直线而是一条曲线。比如：抛物线拟合函数Y=a+b*X^2，如下图所示。

4/6
4.岭回归方法：通常用于自变量数据具有高度相关性的拟合中，这种回归方法可以在原来的偏差基础上再增加一个偏差度来减小总体的标准偏差。如下图是其收缩参数的最小误差公式。

5/6
5.套索回归方法：通常也是用来二次修正回归系数的大小，能够减小参量变化程度以提高线性回归模型的精度。如下图是其惩罚函数，注意这里的惩罚函数用的是绝对值，而不是绝对值的平方。

6/6
6.ElasticNet回归方法：是Lasso和Ridge回归方法的融合体，使用L1来训练，使用L2优先作为正则化矩阵。当相关的特征有很多个时，ElasticNet不同于Lasso，会选择两个。如下图是其常用的理论公式。

⑥ spss 多元线性回归分析 帮忙分析一下下图，F、P、t、p和r方各代表什么谢谢~

F是对回归模型整体的方差检验，所以对应下面的p就是判断F检验是否显着的标准，你的p说明回归模型显着。

R方和调整的R方是对模型拟合效果的阐述，以调整后的R方更准确一些，也就是自变量对因变量的解释率为27.8%。

t就是对每个自变量是否有显着作用的检验，具体是否显着 仍然看后面的p值，若p值＜0.05，说明该自变量的影响显着。

(6)回归分析中的加权估计方法扩展阅读：

多元线性回归的基本原理和基本计算过程与一元线性回归相同，但由于自变量个数多，计算相当麻烦，一般在实际中应用时都要借助统计软件。这里只介绍多元线性回归的一些基本问题。

但由于各个自变量的单位可能不一样，比如说一个消费水平的关系式中，工资水平、受教育程度、职业、地区、家庭负担等等因素都会影响到消费水平，而这些影响因素（自变量）的单位显然是不同的，因此自变量前系数的大小并不能说明该因素的重要程度。

更简单地来说，同样工资收入，如果用元为单位就比用百元为单位所得的回归系数要小，但是工资水平对消费的影响程度并没有变，所以得想办法将各个自变量化到统一的单位上来。前面学到的标准分就有这个功能。

具体到这里来说，就是将所有变量包括因变量都先转化为标准分，再进行线性回归，此时得到的回归系数就能反映对应自变量的重要程度。这时的回归方程称为标准回归方程，回归系数称为标准回归系数。

SPSS for Windows是一个组合式软件包，它集数据整理、分析功能于一身。用户可以根据实际需要和计算机的功能选择模块，以降低对系统硬盘容量的要求，有利于该软件的推广应用。SPSS的基本功能包括数据管理、统计分析、图表分析、输出管理等等。

SPSS统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类，每类中又分好几个统计过程。

比如回归分析中又分线性回归分析、曲线估计、Logistic回归、Probit回归、加权估计、两阶段最小二乘法、非线性回归等多个统计过程，而且每个过程中又允许用户选择不同的方法及参数。SPSS也有专门的绘图系统，可以根据数据绘制各种图形。

参考资料：多元线性回归_网络

⑦ spss中怎么求加权最小二乘估计，详细操作步骤

这个只能在回归分析里用，在分析里找线性回归，最下面有WLS Weight，这就是加权最小二乘估计。

⑧ 如何运用Matlab进行地理加权回归分析

地理加权回归，由英国Newcastle大学地理统计学家A.S Fortheringham及其同事基于空间变系数回归模型并利用局部多项式光滑的思想提出的模型。模型公式如下：
其中(yi;xi1,xi2,…,xip)为在地理位置(ui,vi)处的因变量y和自变量x1,x2,…,xp的观测值(i=1,2,…,n).βj(ui,vi)(j=0,1,…,p)为观测点(ui,vi)处的未知参数,它是(ui,vi)的未知函,εi(i=1,2,…,n)为独立同分布的随机误差,通常假定其服从N(0,σ2).