【原创】r语言股票价格回归分析报告论文Word格式.docx

1、4. 分析得出结论得出各个自变量之间的关系，以及它们对因变量的影响极其经济意义。二、获取数据及预处理获取 2012 年 1 月到 2015 年 7 月的上证指数数据,货币供应量,消费价格指数人民币美元汇率和存款利率数据绘制变量之间的散点图plot（data）par（mfrow=c（2,2）plot（美元汇率,上证指数数据）plot（人民币存款利率,上证指数数据）三、指数平滑时间序列模型预测表示时间序列#JanFebMarAprMayJunJul#2012263.67019.925240.655131.620245.665368.0202013-51.615-156.54569.235-46.7

2、05-329.040-181.635-2.5552014-65.53587.56579.20037.740-157.900-118.65559.3602015-50.230142.300-11.580-25.71047.830-92.995-115.865AugSepOctNovDec-130.350-216.610125.145163.41544.480145.3105.895236.40597.135-142.555-176.755-108.775-71.05532.655-149.320利用HoltWinters函数预测：p.hw|t|）# （Intercept） -3.457e+049

3、.319e+03-3.710 0.000661 * # x13.325e-031.369e-032.430 0.019950 *# x21.341e+012.663e+010.503 0.617562# x34.787e+011.400e+013.420 0.001511 * # x47.870e+023.380e+022.328 0.025322 * # -# Signif. codes:0 * 0.001 * 0.01 * 0.05 . 0.1 1 # Residual standard error: 246.5 on 38 degrees of freedom# Multiple R-s

4、quared:0.4804, Adjusted R-squared:0.4257 # F-statistic: 8.783 on 4 and 38 DF,p-value: 4.012e-05回归结果分析从输出结果可以看出，回归方程为，变量和的统计量的估计值分别为- 3.457e+04，3.325e-03，1.341e+01，4.787e+01 和 7.870e+02，除了 x2 以外由对应的值都比显著性水平 0.05 小，可得两个偏回归系 p 数在显著性水平 0.05 下均显著不为零。进一步地剩余方差的估计值，f 统计量的估计值为 8.783，由对应的p 值 4.012e-05 说明，回归方程

5、是显著的。可决系数R，修正的可决系数R 为 0.48 左右说明方程的拟合效果较好。拟合效果图形展示以上证指数的原始数据作为x 轴，回归拟合值为轴作图，在 xy 面上的点用直线连接见图 1。货币供应量数据,居民消费价格指数美元汇率人民币存款利率之间原始图和拟合值的关系散点图plot（货币供应量数据,上证指数数据,type=l）plot（人民币存款利率,上证指数数据,type=lines（人民币存款利率,fitted（lmmod）,col=red置信区间与预测区间：置信区间是给定自变量值后，由回归方程得到的的预测值（实 0y 际上是的平均值）的置信区间；预测区间是实际值的置信区间，在这里称为预测区

6、间。0y0y 预测区间要比置信区间稍大，命令与显示结果如下predict（lmmod,int=cfitlwrupr12475.242 2251.5062698.97922499.775 2292.2382707.31332577.019 2407.6312746.40742591.886 2430.2492753.52252587.035 2430.3702743.70162693.336 2533.4062853.26672700.174 2534.9392865.40982721.134 2574.9722867.296# 9。2739.6532604.0152875.291# 38229

7、2.4622133.9362450.987# 392431.0192261.3072600.730# 402353.4662189.9582516.974# 412428.7892234.3662623.211# 422359.7942122.2602597.327# 432165.2941879.1122451.475p2475.2421928.3523022.1332499.7751959.3093040.2412577.0192050.0243104.0142591.8862067.3313116.4412587.0352063.9913110.080391903.9202958.118

8、401828.3312878.601411893.2222964.355421807.1152912.473431590.0272740.560残差分析：残差分析可以对回归模型的假设条件即随机误差项是否独立同分布进行检验， 同时还可以找出离群点。命令语句为 plot（lm.1），显示结果如下par（mfrow=c（2,2） plot（lmmod）左上图是拟合值与残差的散点图，从图上可以发现，除去第 6 个离群点外， 所有点基本上是随机地分散在纵坐标值为-1 和+1 的两条平行线之间，这说明随机误差项具有同方差性；左下图是拟合值与残差的标准差的散点图，其意义与上面类似；右上图表明随机误差项是服从正态分布的，其原因是正态 Q-Q 图近似地可以看成一条直线；右下图的CooK 距离图进一步证实第 6 个观测值是一个离群点，它对回归方程的影响是比较大的，要根据具体问题，讨论出现这一观测值的实际背 景。逐步回归优化使用逐步回归法建立“最优”的回归方程# Start:AIC=478.32# y x1 + x2 + x3 + x4 #- x2DfSumof Sq15401RSS2324529AIC476.612309128478.32- x4329390