1. 线性回归模型中,解释变量是原因,被解释变量是结果

一元线性回归模型意思是指模型中只有一个自变量和一个因变量。用一个直线去最大程度的拟合样本特征和样本输出标记之间的关系。

2. 线性回归模型可以描述变量之间

取对数的原因有很多种，大致概括起来有：

1.减弱模型中数据的异方差性，只能是减弱，并不能彻底消除；

2.模型形式的需要，利用线性回归模型的前提是解释变量和被解释变量之间的现行关系，但是在实际中这一点很难满足，很多的时候需要对多个变量或者是单一变量做对数变换，让模型的形式变为线性；

3.取对数，再配合差分变化，把绝对数变成相对数，这样，数据更能表示变动的相关性。

3. 线性回归模型的解释变量

如果变量X确定了值，变量Y的值也就确定了而且Y的值只有一个例如y=3x当x确定是多少以后y的值也就确定了。X等于一y就等于三X等于2Y就等于6X每取一个值Y都有一个值和它对应且只有一个

4. 线性回归模型中解释变量是原因被解释变量是结果

线性回归的目的有两个，一个是线性回归分析研究X(自变量,通常为定量数据)对Y(因变量,定量数据)的影响关系情况。另一个是使用建立的线性回归模型，去利用已经知道的自变量来预测未知的因变量。

如果有两个数据，一个是时间，一个是交易笔数，看它们是否能做线性回归的模型，那就需要看数据是否满足线性回归分析的条件：线性回归要求变量之间具有因果关系，线性关系，如果数据不符合，使用也意义不大。另外线性回归分析是有前提假定的，线性回归要求残差符合正态性、独立性、方差齐性三个条件。

如果满足以上条件的数据，就可以建立一元线性回归模型，可以使时间为自变量、交易笔数为因变量，进行一元线性回归分析，研究时间对交易关系的影响关系情况，也可以用建立的线性回归方程，来预测未知时间的交易笔数。

5. 线性回归模型中,解释变量是原因,被解释变量是结果( )

一、答案：这个说法是错误的。 二、分析及拓展： 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。 建立多元线性回归模型时，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)自变量之间应具有一定的互斥性，即自变量之间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。

6. 线性回归是解释变量和被解释变量之间呈现线性关系

所谓线性回归是指用一个线性方程近似表示变量之间的变化规律，所给的资料不一定绝对线性相关，可以近似相关。线性相关的含义是指变量之间的关联程度可以用线性规律来说明，或者说，经过一定的“平移”后的变量之间大致成正比例的关系。

7. 线性回归模型中解释变量应是非随机变量

随机变量表示随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。简单地说，随机变量是指随机事件的数量表现。

非随机变量就是这个量的取值不是随机的。

例子：线性回归分析中的解释变量就是假设为非随机变量，因为是线性回归了。

比如对于两个变量的,x,y,假设了用解释变量x的方程式表示y,此时只有确定x,才能有对应的y预测值，因此x此时不是随机变量。

8. 线性回归模型意味着因变量是自变量的

一元线性回归是分析只有一个自变量（自变量x和因变量y）线性相关关系的方法。一个经济指标的数值往往受许多因素影响，若其中只有一个因素是主要的，起决定性作用，则可用一元线性回归进行预测分析。

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 。

1、经济意义检验：就是根据模型中各个参数的经济含义，分析各参数的值是否与分析对象的经济含义相符；

2、回归标准差检验；

3、拟合优度检验；

4、回归系数的显著性检验。

9. 如何在回归模型中表示解释变量的非线性影响

非线性模型(nonlinear model)指反映自变量与依变量间非线性关系的数学表达式，它相对于线性模型而言，其依变量与自变量间不能在坐标空间表示为线性对应关系

如果解释变量X的单位变动引起因变量的变化率(即斜率)是一个常数。则回归模型是一种(解释)变量线性模型。相反，如果斜率不能保持不变，则回归模型就是一种(解释)变量非线性模型

10. 线性回归模型意味着变量是线性的,为什么

线性回归模型(linear regression model) 一种特殊的线性模型。若变量y与变量x= }x‑xz, "..二，)的关系表示为y=fCx)+E，且 称f (x)为y对x的回归，f (x)称为回归函数.通常在正态分布情形，若f (x>是x的线性函数(30 +gx,此时称为线性回归，月。称为回归常数，厌-}};}z}…，月，)称为回归系数.

11. 若将一个被解释变量对两个解释变量做线性回归分析

在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此多元线性回归比一元线性回归的实用意义更大。

1、普通最小二乘法(Ordinary Least Square, OLS)

普通最小二乘法通过最小化误差的平方和寻找最佳函数。

多元线性回归

通过矩阵运算求解系数矩阵

2、广义最小二乘法(Generalized Least Square)

广义最小二乘法是普通最小二乘法的拓展，它允许在误差项存在异方差或自相关，或二者皆有时获得有效的系数估计值。

多元线性回归

其中，Ω是残差项的协方差矩阵。