毕业论文回归用什么模型

模型有三个层次：

第一个层次，简单的图表和指标，一般的问卷调查结果的展示都会采取这种方式，生动形象。

第二个层次，描述性统计，分析数据分布特征。

第三个层次，计量分析，建立模型。而计量分析又可以分为几个层次，第一层次是简单回归，包括双变量、多元回归，基本计量问题（共线性、异方差、自相关）的处理。

第二层次更专业点儿，包括模型设定误差检验与模型修正、特殊数据类型（时间序列、虚拟变量、面板数据等）的模型选择和处理、联立方程、VEC模型、VAR模型、条件异方差模型等；第三层次包括有序因变量、面板VAR、神经网络、分位数模型、季节调整模型等等。模型，建立一套研究范式，然后按此模型进行研究。

选题与预估计

问题1：暂定一个题目（包括研究对象、研究问题、拟使用的理论或方法等方面，可使用副标题，副标题一般指向研究方法或研究角度）。

问题2：给出研究目标与研究问题，并初步进行回答（研究之前必须要有预设的初步结论。所谓“实证分析”，可以将其看作是对所提出的初步结论的检验）。

问题3：给出文献综述（要求：①文献综述的内容必须与你的研究紧密相关，即根据自己研究的问题或内容梳理、概括相关文献（要注意相关性）；②文献综述要能构成你研究的基础，可将其视为你的研究的理论知识平台或背景；③文献综述必须能够引出你所研究的问题，即根据自己的边际贡献或研究特点评述已有文献（要注意针对性））。

问题4：论证你所研究的问题以及其重要性（先列出“重要性”的论点，然后给出相应的论据）。

问题5：尝试运用计量软件（如：Eviews、SPSS、STATA或R）导入数据，对数据进行初步描述性分析与预估计。

Regression线性回归它是最为人熟知的建模技术之一。线性回归通常是人们在学习预测模型时首选的技术之一。在这种技术中，因变量是连续的，自变量可以是连续的也可以是离散的，回归线的性质是线性的。线性回归使用最佳的拟合直线（也就是回归线）在因变量（Y）和一个或多个自变量（X）之间建立一种关系。用一个方程式来表示它，即Y=a+b*X+e，其中a表示截距，b表示直线的斜率，e是误差项。这个方程可以根据给定的预测变量（s）来预测目标变量的值。一元线性回归和多元线性回归的区别在于，多元线性回归有（>1）个自变量，而一元线性回归通常只有1个自变量。现在的问题是“我们如何得到一个最佳的拟合线呢？”。如何获得最佳拟合线（a和b的值）？这个问题可以使用最小二乘法轻松地完成。最小二乘法也是用于拟合回归线最常用的方法。对于观测数据，它通过最小化每个数据点到线的垂直偏差平方和来计算最佳拟合线。因为在相加时，偏差先平方，所以正值和负值没有抵消。我们可以使用R-square指标来评估模型性能。想了解这些指标的详细信息，可以阅读：模型性能指标Part 1,Part 2.要点：（1）.自变量与因变量之间必须有线性关系（2）.多元回归存在多重共线性，自相关性和异方差性。（3）.线性回归对异常值非常敏感。它会严重影响回归线，最终影响预测值。（4）.多重共线性会增加系数估计值的方差，使得在模型轻微变化下，估计非常敏感。结果就是系数估计值不稳定（5）.在多个自变量的情况下，我们可以使用向前选择法，向后剔除法和逐步筛选法来选择最重要的自变量。 Regression逻辑回归逻辑回归是用来计算“事件=成功”和“事件=失败”的概率。当因变量的类型属于二元（1 / 0，真/假，是/否）变量时，就应该使用逻辑回归。要点：（1）.它广泛地用于分类问题。（2）.逻辑回归不要求自变量和因变量是线性关系。它可以处理各种类型的关系，因为它对预测的相对风险指数OR使用了一个非线性的log转换。3）.为了避免过拟合和欠拟合，我们应该包括所有重要的变量。有一个很好的方法来确保这种情况，就是使用逐步筛选方法来估计逻辑回归。（4）.它需要大的样本量，因为在样本数量较少的情况下，极大似然估计的效果比普通的最小二乘