多元线性回归模型中回归系数向量β的最小二乘估计如何得到?多元线性回归模型中回归系数向量β的最小二乘

加权最小二乘法.
在回归窗口,点估计,选项,会发现加权最小二乘法的框框,加入适当权数即可.
希望对你有帮助

滞后期p一般是1个1个往上加 每加一个就用t,F统计检验看看各个系数
然后断定是否继续加这样

有以下基本假定：1.,即随机误差项是一个平均值或期望值为零的随机变量.相应的矩阵表达形式是 2.,即对于解释变量 的所有观测值,随机误差项的方差都是相同的.3.,即随机误差项彼此之间不相关.假定2、假定3相应的矩阵表达形式是 称 为随机误差项向量 的方差—协方差矩阵.

先给出一般性结论：设X为s×p随机矩阵,A为m×s常数矩阵,B为p×n常数矩阵
则E(AXB)=AE(X)B ①
E(AXB)和AE(X)B均是m×n常数矩阵,下面证它们的第i行第j列元素(i=1,2,...,m; j=1,2,...n)都是相同的．



性质2中,(X'X)^(-1)X'为常数矩阵,U为随机误差矩阵,且E(U)=0
由①式,E[(X'X)^(-1)X'U]= (X'X)^(-1)X'E(U)=0

如果你说的是软件操作阶段呢,那么你在回归程序中加入一个变量字母C就可以了
如果你说的是回归后的成品,即模型就是没有常数项的模型比有常数项的模型对显示的经济状况拟合得更好（或者常数项无法通过t检验）,那么就说明该模型本身就不应该带有常数项.
我个人认为常数项和随机误差项带有一定的共性,也就是说如果常数项并不显著异于零,把它放在随机误差项里可能对模型的解释更容易一些,当然这是投机取巧.

《气象因素与杨干象虫口密度的多元线性回归和判别分析》一般自变量是平均温度、平均湿度、极端高温、极端低温和降水量,因变量自然是虫害了,
《安徽农业科学》 2011年第39卷第15期 9000-9001页,共2页
一下是这篇文章的摘要,你可以在中国知网或者维普下载
摘要：[目的]研究气象因素对杨干象发生的影响.[方法]利用多元线性回归和判别分析的方法分析了1～12月份月极低温度、月极高温度、月平均温度、月降水量等对杨干象发生的影响.[结果]多元线性回归后,建立了回归模型：y=0.781＋0.021x16＋0.004x26＋0.058x20＋0.015x23＋0.055x34,模型的预测精度达到了利用模型进行预测的基本要求.通过对进入多元线性回归模型中的自变量和因变量的关系进行判别分析,进一步确定了影响杨干象虫口密度的重要气象因子,分别为4月极低温度（x34）、2月极高温度（x23）、1月平均温度（x16）、3月平均温度（x26）和1月降水量（x20）.[结论]4月极低温度（x34）、2月极高温度（x23）、1月平均温度（x16）、3月平均温度（x26）和1月降水量（x20）是影响杨干象发生的重要气象因子.

任何一个模型的区间模型都是在单点预测的基础上加上（或减去）置信水平的分位数乘以估计方差,你明白这个思路的话,预测就不难了.eviews中,在得到的回归模型输出窗口上部有“forecast”,点击进去输入你要预测的时间段就能得到最后的结果.