A. 如何用excel做線性回歸分析
1、單擊開始---->所有程序---->Microsoft Office，選擇Microsoft Excel 2010選項。
B. 這是用股票收盤價形成的時間序列數據線性回歸模型，求大神幫忙進行回歸診斷！
還診斷啥 你看看那R-squared，這模型能用嗎 然後回歸系數也沒有通過顯著性檢驗
C. 股票中畫線工具的線性回歸帶怎麼用
線性回歸分析是一種可以減少市場價格走勢「雜音」的方法之一。最簡單的解釋就是在價格線圖上畫一條直線，使得這條直線於每個價格距離的平方的加總是最小的。這種分析方式比均線靈敏，也可能會有更多的交易機會。而在回歸線的基礎上，這篇文章要探討2個新的參數：回歸線斜率以及R平方。利用這兩個參數的結合，我們來試著抓出價格的趨勢。
線性回歸畫法：
將滑鼠從一個相對低點拖曳到一個相對高點即得到百分比線。
用法：
線性回歸、線形回歸帶及線形回歸通道：線性回歸、線性回歸帶及線性回歸通道是根據數學上線性回歸的原理來確定一定時間內的價格走勢。線性回歸將一定時間內的股價走勢線性回歸，然後來確定這一段時間內的總體走勢；線性回歸帶是根據這一段時間內的最高、最低價畫出線性回歸的平行通道線；回歸通道是線性
D. 如何使用excel做一元線性回歸分析
首先要准備好兩組數據做為x和y，這組數據在可以簡單感覺一下是否具有線性關系
將准備好的數據放入excel表格裡面
EXCEL需要我們自己啟用數據分析，點擊文件，選擇選項，點擊左側的載入項，載入分析工具
載入工具完成以後，點擊數據中的「工具分析」，選擇「回歸」，點擊確定
點擊Y值輸入區域後面的單元格選擇工具，選擇Y值單元格，比如小編這里的A2:A20，X值同理操作，這里選擇B2:B20
勾選下方的線性擬合圖，我們可以看一下擬合的效果
excel會在新的工作表裡面輸出回歸分析的相關結果，比如相關系數R^2，標准誤差，在X-variable和Intercept兩項的值可以寫出一元回歸方程
在右側就是我們的線性擬合圖，觀察擬合效果還不錯
我們可以對圖做一些修改，方便放到word文檔裡面，選中該圖
在圖表工具裡面的圖表布局中選擇「布局3」，圖標樣式選擇第一個黑白色
在新的圖標樣式裡面多了很多網格線，實際我們並不是太需要，選中右擊刪除
是整個圖標簡潔一些
E. 線性回歸 怎麼算
線性回歸是利用數理統計中的回歸分析,來確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法之一,運用十分廣泛.分析按照自變數和因變數之間的關系類型,可分為線性回歸分析和非線性回歸分析.如果在回歸分析中,只包括一個自變數和一個因變數,且二者的關系可用一條直線近似表示,這種回歸分析稱為一元線性回歸分析.如果回歸分析中包括兩個或兩個以上的自變數,且因變數和自變數之間是線性關系,則稱為多元線性回歸分析.
數據組說明線性回歸
我們以一簡單數據組來說明什麼是線性回歸.假設有一組數據型態為 y=y(x),其中 x={0,1,2,3,4,5},y={0,20,60,68,77,110} 如果我們要以一個最簡單的方程式來近似這組數據,則非一階的線性方程式莫屬.先將這組數據繪圖如下 圖中的斜線是我們隨意假設一階線性方程式 y=20x,用以代表這些數據的一個方程式.以下將上述繪圖的 MATLAB 指令列出,並計算這個線性方程式的 y 值與原數據 y 值間誤差平方的總合.>> x=[0 1 2 3 4 5]; >> y=[0 20 60 68 77 110]; >> y1=20*x; % 一階線性方程式的 y1 值 >> sum_sq = sum((y-y1).^2); % 誤差平方總合為 573 >> axis([-1,6,-20,120]) >> plot(x,y1,x,y,'o'),title('Linear estimate'),grid 如此任意的假設一個線性方程式並無根據,如果換成其它人來設定就可能採用不同的線性方程式；所以我們 須要有比較精確方式決定理想的線性方程式.我們可以要求誤差平方的總合為最小,做為決定理想的線性方 程式的准則,這樣的方法就稱為最小平方誤差(least squares error)或是線性回歸.MATLAB的polyfit函數提供了 從一階到高階多項式的回歸法,其語法為polyfit(x,y,n),其中x,y為輸入數據組n為多項式的階數,n=1就是一階 的線性回歸法.polyfit函數所建立的多項式可以寫成 從polyfit函數得到的輸出值就是上述的各項系數,以一階線性回歸為例n=1,所以只有 二個輸出值.如果指令為coef=polyfit(x,y,n),則coef(1)= ,coef(2)=,...,coef(n+1)= .注意上式對n 階的多 項式會有 n+1 項的系數.我們來看以下的線性回歸的示範：>> x=[0 1 2 3 4 5]; >> y=[0 20 60 68 77 110]; >> coef=polyfit(x,y,1); % coef 代表線性回歸的二個輸出值 >> a0=coef(1); a1=coef(2); >> ybest=a0*x+a1; % 由線性回歸產生的一階方程式 >> sum_sq=sum(y-ybest).^2); % 誤差平方總合為 356.82 >> axis([-1,6,-20,120]) >> plot(x,ybest,x,y,'o'),title('Linear regression estimate'),grid
[編輯本段]線性回歸擬合方程
最小二乘法
一般來說,線性回歸都可以通過最小二乘法求出其方程,可以計算出對於y=bx+a的直線,其經驗擬合方程如下：其相關系數（即通常說的擬合的好壞）可以用以下公式來計算：理解回歸分析的結果
雖然不同的統計軟體可能會用不同的格式給出回歸的結果,但是它們的基本內容是一致的.我們以STATA的輸出為例來說明如何理解回歸分析的結果.在這個例子中,我們測試讀者的性別（gender）,年齡（age）,知識程度（know）與文檔的次序（noofdoc）對他們所覺得的文檔質量(relevance)的影響.輸出：Source | SS df MS Number of obs = 242 -------------+------------------------------------------ F ( 4,237) = 2.76 Model | 14.0069855 4 3.50174637 Prob > F = 0.0283 Resial | 300.279172 237 1.26700072 R-squared = 0.0446 ------------- +------------------------------------------- Adj R-squared = 0.0284 Total | 314.286157 241 1.30409194 Root MSE = 1.1256 ------------------------------------------------------------------------------------------------ relevance | Coef.Std.Err.t P>|t| Beta ---------------+-------------------------------------------------------------------------------- gender | -.2111061 .1627241 -1.30 0.196 -.0825009 age | -.1020986 .0486324 -2.10 0.037 -.1341841 know | .0022537 .0535243 0.04 0.966 .0026877 noofdoc | -.3291053 .1382645 -2.38 0.018 -.1513428 _cons | 7.334757 1.072246 6.84 0.000 .-------------------------------------------------------------------------------------------
輸出
這個輸出包括一下及部分.左上角給出方差分析表,右上角是模型擬合綜合參數.下方的表給出了具體變數的回歸系數.方差分析表對大部分的行為研究者來講不是很重要,我們不做討論.在擬合綜合參數中,R-squared 表示因變數中多大的一部分信息可以被自變數解釋.在這里是4.46%,相當小.
回歸系數
一般地,我們要求這個值大於5%.對大部分的行為研究者來講,最重要的是回歸系數.我們看到,年齡增加1個單位,文檔的質量就下降 -.1020986個單位,表明年長的人對文檔質量的評價會更低.這個變數相應的t值是 -2.10,絕對值大於2,p值也
F. 請問什麼是線性回歸線
線性回歸是用來從過去價值中預測未來價值的統計工具。就股票價格而言，它通常用來決定何時價格過份上漲或下跌（行情極端）
線性回歸趨勢線使用最小平方法做出的一條盡量貼近價格線的直線，使價格線與預測的趨勢線差異小。
線性回歸線方式：Y=a+bx
其中：a=(∑y-b∑x)/n
b=n∑(xy)-(∑x)(∑y)/n∑x?2-(∑x)?2
x是目前時間段
y是時間段總數原理：如果不得不去猜測某一股票明天的價格，較合邏輯的猜測就應該是「盡量貼近今天價格」如果股票有上漲的趨勢，一個好的猜測就是盡量貼近今天的價格加上一個上調值。線性回歸分析正是用統計數字來驗證了這些邏輯假設。
線性回歸線是用最小平方匹配法求出的兩點間的趨勢線。這條趨勢線表示的是中間價。如果把此線認作是平衡價的話，任何偏移此線的情況都暗示著超買或超賣。
在中間線的上方和下方都建立了線性回歸渠道線。渠道線和線性回歸線的間距是收盤價與線性回歸線之間的最大距離。回歸線包含了價格移動。渠道下線是支撐位，渠道上線是阻擋位。價格可能會延伸到渠道外一段很短的時間，但如果價格持續在渠道外很長一段時間的話，表明趨勢很快就會逆轉了。
線性回歸線是平衡位置，線性回歸渠道線表示價格可能會偏離線性回歸線的范圍。
G. 線性回歸的基本假設
1、隨機誤差項是一個期望值或平均值為0的隨機變數；
2、對於解釋變數的所有觀測值，隨機誤差項有相同的方差；
3、隨機誤差項彼此不相關；
4、解釋變數是確定性變數，不是隨機變數，與隨機誤差項彼此之間相互獨立；
5、解釋變數之間不存在精確的（完全的）線性關系，即解釋變數的樣本觀測值矩陣是滿秩矩陣；
6、隨機誤差項服從正態分布。
(7)股票價格線性回歸分析擴展閱讀：
線性回歸方程是利用數理統計中的回歸分析，來確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法之一。線性回歸也是回歸分析中第一種經過嚴格研究並在實際應用中廣泛使用的類型。按自變數個數可分為一元線性回歸分析方程和多元線性回歸分析方程。
線性回歸有很多實際用途。分為以下兩大類：
1 如果目標是預測或者映射，線性回歸可以用來對觀測數據集的和X的值擬合出一個預測模型。當完成這樣一個模型以後，對於一個新增的X值，在沒有給定與它相配對的y的情況下，可以用這個擬合過的模型預測出一個y值。
2 給定一個變數y和一些變數X1,...,Xp，這些變數有可能與y相關，線性回歸分析可以用來量化y與Xj之間相關性的強度，評估出與y不相關的Xj，並識別出哪些Xj的子集包含了關於y的冗餘信息。
H. 線性回歸計算中的r怎麼計算
1、r=∑(Xi-X)(Yi-Y)/根號[∑(Xi-X)²×∑(Yi-Y)²]
上式中」∑」表示從i=1到i=n求和；X,Y分別表示Xi,Yi的平均數。
2、簡單線性回歸用於計算兩個連續型變數(如X，Y)之間的線性關系，
具體地說就是計算下面公式中的α和βα和β。
Y=α+βX+εY=α+βX+ε
其中εε稱為殘差,服從從N(0,σ2)N(0,σ2)的正態分布，自由度為(n-1) - (2-1) = n-2 為了找到這條直線的位置，我們使用最小二乘法(least squares approach)。
最小二乘法確保所有點處的殘差的平方和最小時計算α和βα和β，即下面示意圖中∑4i=1ε2i=ε21+ε22+ε23+ε24∑i=14εi2=ε12+ε22+ε32+ε42有最小值。
(8)股票價格線性回歸分析擴展閱讀：
線性回歸有很多實際用途。分為以下兩大類：
1、如果目標是預測或者映射，線性回歸可以用來對觀測數據集的和X的值擬合出一個預測模型。當完成這樣一個模型以後，對於一個新增的X值，在沒有給定與它相配對的y的情況下，可以用這個擬合過的模型預測出一個y值。
給定一個變數y和一些變數X1,...,Xp，這些變數有可能與y相關，線性回歸分析可以用來量化y與Xj之間相關性的強度，評估出與y不相關的Xj，並識別出哪些Xj的子集包含了關於y的冗餘信息。
2、趨勢線
一條趨勢線代表著時間序列數據的長期走勢。它告訴我們一組特定數據（如GDP、石油價格和股票價格）是否在一段時期內增長或下降。雖然我們可以用肉眼觀察數據點在坐標系的位置大體畫出趨勢線，更恰當的方法是利用線性回歸計算出趨勢線的位置和斜率。
I. 線性回歸分析和指數回歸分析有什麼區別，如何使用
您好
線性回歸分析和指數回歸分析其實理論基礎是一樣的，基本沒有區別，另外，今年的股票基本會出現大幅度的下跌，這已經是不可避免的了，經濟數據您也可以看到，股票市場的股票業績下滑也是不爭的事實，另外大股東的股票減持和注冊制度加快實施，也會嚴重影響股票市場，另外新股加速擴容和人民幣加速貶值，都在很大的方面壓制股票，這些還只是股票市場困難的一個部分，所以作為理財師我建議您，保持觀望，遠離股市，真誠回答，希望採納！
J. 怎麼正確計算股票Beta值的線性回歸，計算感覺有問題
這個你回歸出來的方程是 Y=-0.174+0.59X 你的beta是0.59 置信度很小，說明beta顯著不為0
但你的截距 -0.174的置信度是0.486，可以認為是0了。所以回歸的沒錯，只是你對這個表還不熟悉。
你說的beta為0.762是先把數據標准化再做回歸，標准化的數據就沒有截距（或者截距為0），所以第一行標准系數是空的。