多元线性回归期货价格
1. 怎样用20年的数据预测下一年的
首先，确定ARMA模型的阶次p，然后输入为s（n），即为20年的铜期货价格的季度数据，共有80个。然后求p个S（n）的自相关，利用Levison-Durbin算法递推出p个ARMA模型的参数，最后用最简单的白噪声通过线性系统的办法求出接下来的4个数据，即产生90个随机白噪声数据，通过p个ARMA模型的参数构成的h（n）；求一下卷积，数据就出来了。取第81个到84个数据就是你要预测的那些数据。
Levison-Durbin算法是本介绍ARMA模型谱估计的数就会有的，可以去书上参考，这里说太复杂了。
也可以去www.answers.com上面搜搜levison-rbin或Yule-Walker方程
2. 现货价格和期货价格相关系数怎么算
现货价格+仓储费+保险费+利息等费用=期货价格
运输费不应算入，除非你做跨市套利才考虑运输费的问题。
相关系数：β
设现货=X；期货=Y
n∑xy －∑x∑y
-------------------------------------------------------- = β
平方根(n∑x*x-∑x*∑x) × 平方根( n∑y*y－∑y*∑y)
3. 多元线性回归和多重线性回归的区别及联系
一、自变量的数据类型不同
多元线性回归：多元线性回归的自变量X的数据类型是连续型变量。
多重线性回归：多重线性回归的自变量X的数据类型可能存在多种数据类型，例如性别等的离散型变量。
二、方程不同
多元线性回归：多元线性回归的方程中没有随机变量。
多重线性回归：多重线性回归的方程中有随机变量。
三、因变量的值不同
多元线性回归：多元线性回归的回归方程求出的是因变量y的平均值。
多重线性回归：多重线性回归的回归方程求出的是因变量y的平均预测值。
(3)多元线性回归期货价格扩展阅读
多重线性回归的条件：
1、因变量为连续性变量
2、自变量不少于2个
3、因变量与自变量之间存在线性关系
4、样本个体间相互独立（由Durbin-Waston检验判断）
5、等方差性：各X值变动时，相应的Y有相同的变异度
6、正态性：给定各个X值后，相应的Y值服从正态分布
7、不存在多重共线性
4. 什么是多元线性回归预测
在市场的经济活动中， 经常会遇到某一市场现象的发展和变化取决于几个影响因素的情况， 也就是一个因变量和几个自变量有依存关系的情况。 而且有时几个影响因素主次难以区分，或者有的因素虽属次要， 但也不能略去其作用。例如， 某一商品的销售量既与人口的增长变化有关， 也与商品价格变化有关。这时采用 一元回归分析预测法 进行预测是难 以奏效的，需要采用多元回归分析预测法。
5. 多元线性回归
这个是在做降维因为前文有说全部变量与总资产增长率通不过显著性检验 所以要从中需要找出与总资产增长率相关性高的自变量 再用这些自变量与因变量做回归分析 不懂可追问
6. 多元线性回归分析
用MINITAB来分析
如果是用EXCEL的话,用"工具栏"里的"数据分析"中,选定"回归",再选定数据做分析就可以了.
7. 多元线性回归，属于统计学，是不是要有大量数据
因果倒置，不是要有大量的数据，而是有了大量的数据要处理，多元线性回归才应运而生。
8. 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。
(8)多元线性回归期货价格扩展阅读
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。
9. 多元回归与多元线性回归有区别没
1。 线性回归和非线性回归没有实质性的区别，都是寻找合适的参数去满足已有数据的规律。拟和出来的方程（模型）一般用来内差计算或小范围的外差。
2。 Y与X之间一般都有内部联系，如E=m*c^2. 所以回归前可收集相关信息，或可直接应用。
3。 Y 和每个X之间作出散点图，观察他们的对应关系。如果是线性的，改参数可以适用线性回归；否则，可考虑非线性回归。
4。 线性回归可直接用最小二乘法计算对应系数，对系数做假设检验（H0： b＝0， Ha： b<>0)， 排除影响小的变量，再次回归即可； 非线性可以考虑对X或Y作变换，如去对数，平方，开方，指数等，尽可能转化为线性回归即可。
5。参考拟和优度R^2 和方差S，对模型的准确性有一定的认识。