⑴ 多元线性回归分析要解决的主要问题是什么
优点：
1、回归分析法在分析多因素模型时，更加简单和方便；
2、运用回归模型，只要采用的模型和数据相同，通过标准的统计方法可以计算出唯一的结果，但在图和表的形式中，数据之间关系的解释往往因人而异，不同分析者画出的拟合曲线很可能也是不一样的；
3、回归分析可以准确地计量各个因素之间的相关程度与回归拟合程度的高低，提高预测方程式的效果；在回归分析法时，由于实际一个变量仅受单个因素的影响的情况极少，要注意模式的适合范围，所以一元回归分析法适用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是使用。多元回归分析法比较适用于实际经济问题，受多因素综合影响时使用。
缺点：
有时候在回归分析中，选用何种因子和该因子采用何种表达 式只是一种推测，这影响了用电因子的多样性和某些因子的不可测性，使得回归分析在某些 情况下受到限制。
⑵ 急！！！用excel做的多元线性回归分析~
首先看方差分析中F值的Significance 10的-14次方 非常小，说明你的方程有意义。
而后看第三个表 Intercept是截距，p value是0.058，比0.05大，说明截距项可以丢掉，方程是从原点出发的；再看就业率，虽然回归出的系数是负的，但是由于p value大于0.05，所以可以认为就业率对你的因变量Y，效果可以忽略；最后看人均GDP，系数0.122，pvalue 10的-14次方，效果非常显著；最后看R square或者adjusted R square 87%，88%的样子，已经非常好了。
所以你的回归方程最终可以选定为Y=0.122×人均GDP
⑶ spss回归分析t、F值分别代表什么呀
R方为决定系数，即拟合模型所能解释的因变量的变化百分比。例如，R方＝0．810，说明拟合方程能解释因变量变化的81％，不能解释的19％。
F是方差检验，整个模型的全局检验，看拟合方程是否有意义
T值是对每个自变量进行一个接一个的检验（logistic回归），看其beta值，即回归系数是否有意义
F和T的显著性均为0．05，
回归分析在科学研究领域是最常用的统计方法。《SPSS回归分析》介绍了一些基本的统计方法，例如，相关、回归（线性、多重、非线性）、逻辑（二项、多项）、有序回归和生存分析（寿命表法、Kaplan－Meier法以及Cox回归）。
SPSS是世界上最早的统计分析软件。1968年，斯坦福大学的三位研究生NormanH．Nie，C．Hadlai（Tex）Hull和DaleH．Bent成功地进行了研究和开发。同时成立了SPSS公司。
(3)多元线性回归分析股票扩展阅读：
原理：
这种表示取决于变量Y中可由控制变量X解释的变化百分比。
决定系数不等于相关系数的平方。这个和相关系数之间的区别是如果你去掉｜，R｜等于0和1，
由于R2<R,可以防止对相关系数所表示的相关做夸张的解释。
决定系数：在Y的平方和中，X引起的平方和所占的比例为R2
相关程度由决定系数的程度决定。
R2越接近1，相关方程的参考值越大。反之，越接近0，参考值越低。这就是一元回归分析的情况。但是决定系数和回归系数本质上是不相关的就像标准差和标准误差本质上是不相关的一样。
在多元回归分析中，决定系数为路径系数的平方。
表达式：R2＝SSR／SST＝1－SSE／SST
其中：SST＝SSR＋SSE，SST （total sum of squares）为总平方和，SSR （regression sum of squares）为回归平方和，SSE （error sum of squares） 为残差平方和。
⑷ excel回归分析 估计股票β
www.tipdm.cn,这是一个在线的数据分析软件，对股票的回归分析也有
⑸ 简述多元线性回归分析的步骤是什么
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
其中，Ω是残差项的协方差矩阵。
⑹ 多元线性回归分析的优缺点
一、多元线性回归分析的优点：
1、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。
2、在多元线性回归分析是多元回归分析中最基础、最简单的一种。
3、运用回归模型，只要采用的模型和数据相同，通过标准的统计方法可以计算出唯一的结果。
二、多元线性回归分析的缺点
有时候在回归分析中，选用何种因子和该因子采用何种表达 式只是一种推测，这影响了用电因子的多样性和某些因子的不可测性，使得回归分析在某些 情况下受到限制。
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。
(6)多元线性回归分析股票扩展阅读
社会经济现象的变化往往受到多个因素的影响，因此，一般要进行多元回归分析，我们把包括两个或两个以上自变量的回归称为多元线性回归 。
多元线性回归与一元线性回归类似，可以用最小二乘法估计模型参数，也需对模型及模型参数进行统计检验 。
选择合适的自变量是正确进行多元回归预测的前提之一，多元回归模型自变量的选择可以利用变量之间的相关矩阵来解决。
Matlab、spss、SAS等软件都是进行多元线性回归的常用软件。
⑺ 线性回归的基本假设
1、随机误差项是一个期望值或平均值为0的随机变量；
2、对于解释变量的所有观测值，随机误差项有相同的方差；
3、随机误差项彼此不相关；
4、解释变量是确定性变量，不是随机变量，与随机误差项彼此之间相互独立；
5、解释变量之间不存在精确的（完全的）线性关系，即解释变量的样本观测值矩阵是满秩矩阵；
6、随机误差项服从正态分布。
(7)多元线性回归分析股票扩展阅读：
线性回归方程是利用数理统计中的回归分析，来确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法之一。线性回归也是回归分析中第一种经过严格研究并在实际应用中广泛使用的类型。按自变量个数可分为一元线性回归分析方程和多元线性回归分析方程。
线性回归有很多实际用途。分为以下两大类：
1 如果目标是预测或者映射，线性回归可以用来对观测数据集的和X的值拟合出一个预测模型。当完成这样一个模型以后，对于一个新增的X值，在没有给定与它相配对的y的情况下，可以用这个拟合过的模型预测出一个y值。
2 给定一个变量y和一些变量X1,...,Xp，这些变量有可能与y相关，线性回归分析可以用来量化y与Xj之间相关性的强度，评估出与y不相关的Xj，并识别出哪些Xj的子集包含了关于y的冗余信息。
⑻ 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检验是否显著的标准，你的p说明回归模型显著。
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著作用的检验，具体是否显著 仍然看后面的p值，若p值＜0.05，说明该自变量的影响显著。
(8)多元线性回归分析股票扩展阅读：
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