• Index
炊数据 Blog
  • EViews教程
  • Stata教程
  • SPSS教程
  • Spss Modeler教程
  • AMOS教程
  • R数据分析
  • Python数据分析
  • 生产率测算专题
  • 大数据技术专题
  • 问答区
  • 博文
  • More
    • EViews教程
    • Stata教程
    • SPSS教程
    • Spss Modeler教程
    • AMOS教程
    • R数据分析
    • Python数据分析
    • 生产率测算专题
    • 大数据技术专题
    • 问答区
    • 博文
    • EViews教程
    • Stata教程
    • SPSS教程
    • Spss Modeler教程
    • AMOS教程
    • R数据分析
    • Python数据分析
    • 生产率测算专题
    • 大数据技术专题
    • 问答区
    • 博文
  •  
    • Profile
    • Sign Out
  • Sign In
    • English
    • 简体中文
  • Index
    EViews教程
    认识EViews
    EViews简介
    EViews软件界面
    数据读取与变换
    截面数据
    时间序列数据
    数据变换
    缺失值处理
    数据生成过程
    线性回归模型
    多元线性回归
    虚拟变量
    工具变量
    logit和probit回归
    非线性回归模型
    门限模型
    Heckman 两阶段模型
    时间序列模型
    平稳性检验
    单变量时间序列
    ARMA模型
    ARCH和GARCH模型
    多变量时间序列
    向量自回归(VAR)模型
    格兰杰因果检验
    协整和误差修正模型
    分布滞后模型
    自回归分布滞后(ARDL)模型
    非线性时间序列模型
    单变量-门限自回归(TAR)
    单变量-非线性ARCH、GARCH模型
    多变量-门限回归(TR)
    多变量-门限自回归(TAR)
    多变量-自激励门限回归(SETR)
    面板数据模型
    面板数据的读取
    短面板模型
    混合面板
    变截距模型
    变系数模型
    长面板模型
    面板单位根检验
    面板协整检验
    动态面板模型

非线性回归模型

Reads: 5050 Edit

线性回归模型直观、估计简单,在实践中得到很多应用。但是非线性才是万物运行的普遍现象。例如,液体水在低于0度时将转换为固态,大于100度时变为气态。随着吃饭量增加,我们的效用逐渐提高;但当我们吃饱时,如果继续吃饭,效用将出现下降。所以掌握几种非线性模型,可以更好的来研究认识我们的自然、经济社会!


Comments

Make a comment

  • Index
  • EViews教程
  • 认识EViews
  • EViews简介
  • EViews软件界面
  • 数据读取与变换
  • 截面数据
  • 时间序列数据
  • 数据变换
  • 缺失值处理
  • 数据生成过程
  • 线性回归模型
  • 多元线性回归
  • 虚拟变量
  • 工具变量
  • logit和probit回归
  • 非线性回归模型
  • 门限模型
  • Heckman 两阶段模型
  • 时间序列模型
  • 平稳性检验
  • 单变量时间序列
  • ARMA模型
  • ARCH和GARCH模型
  • 多变量时间序列
  • 向量自回归(VAR)模型
  • 格兰杰因果检验
  • 协整和误差修正模型
  • 分布滞后模型
  • 自回归分布滞后(ARDL)模型
  • 非线性时间序列模型
  • 单变量-门限自回归(TAR)
  • 单变量-非线性ARCH、GARCH模型
  • 多变量-门限回归(TR)
  • 多变量-门限自回归(TAR)
  • 多变量-自激励门限回归(SETR)
  • 面板数据模型
  • 面板数据的读取
  • 短面板模型
  • 混合面板
  • 变截距模型
  • 变系数模型
  • 长面板模型
  • 面板单位根检验
  • 面板协整检验
  • 动态面板模型

炊数据 ©Copyright 2022.
Powered by iTranswarp

Feedback
License