本章节详细介绍了在金融分析中如何运用R语言进行计量分析，包括简单线性回归、多元线性回归、ANOVA、特征选择等多个方面。重点讲解了如何构建和评估回归模型，如散点图、可决系数、显著性检验、残差图和多重共线性检测。同时，介绍了小波分析、快速傅里叶变换和希尔伯特变换在时域和频域分析中的应用，帮助读者理解和处理非平稳数据。
第3章 计量分析与小波分析
在金融分析中，我们经常应用预测性建模技术来预测目标变量的取值并找出目标变量的驱动因子。本章将讨论不同类型的回归技术以及在R中如何构建预测性的回归模型。我们还讨论如何进行变量选择以及和回归相关的其他问题。本章并不讲述关于回归模型的理论性内容，而是指导用户用R来实现与金融问题相关的回归模型。在金融领域中，回归分析可用于横截面数据的预测。此外，我们也会讨论时间序列数据的频谱分析以及用来移除数据中噪音的时域和频域变换，具体包括快速傅里叶变换、小波变换、希尔伯特变换、哈尔变换等。
本章包括以下内容。
- 简单线性回归
- 多元线性回归
- 多重共线性
- ANOVA
- 特征选择
- 逐步法变量选择
- 变量排序
- 小波分析
- 快速傅里叶变换
- 希尔伯特变换
3.1 简单线性回归
在简单线性回归（simple linear regression）中，我们试图用一个变量（预测变量）的取值来预测另一个变量的取值。我们想要预测的变量称作因变量，用Y表示，而预测变量也被称作自变量，用X表示。简单线性回归模型假设因变量和自变量之间存在线性关系。
在本节示例中，我们试图用Data数据集的StockXPrice变量（自变量）来预测StockYPrice变量（因变量）。对于StockXPrice中的每一个元素，StockYPrice都有一个元素和它对应，形成一对一的匹配关系。读取示例数
订阅专栏 解锁全文
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
