1. 在spss多元線性回歸中，什麼是原假設
這兩個問題都不是原假設。
統計中多元線性回歸的原假設是這兩組變數有相關關系。
2. 交易期貨需要學習什麼才能獲利
一般情況下期貨指標都是震盪虧錢的，出現大趨勢一般都是賺錢的，要規避期貨指標的震盪行情是要靠自己的經驗，期貨指標是要看你適合什麼樣子的指標去做，這個不能給你推薦的，因為每個人的操盤手法不一樣，所以看的期貨指標也就不一樣，希望對提問者有所幫助，在給你介紹個期貨指標交流論壇，裡面有很多的期貨指標公式，希望在裡面你能找到適合自己的期貨指標去做期貨交易，來實現穩定盈利的模式。 搜索期貨論壇_投機之王社區，進去看看期貨指標就知道了
3. 多元線性回歸。spss應用。如何輸出庫克距離、杠桿值等統計量。
analyz--general linear model--multivariate--save--diagnostic下有cook's distance & leverage values
4. spss非線性回歸分析,anova表無殘差項，不能顯示相關系數，怎麼解決
SPSS軟體內的一個smaple t檢驗和單因素方差分析測試這兩個並不適用於你的數據，你應該先使用密度和導熱系數散點圖檢查之間的關系（線性或非線性關系）的存在的可能性，如果有是密度和傳熱系數之間存在一定的線性關系，可以用SPSS來看看它們之間的相關性是關繫到數字的強度：
二元...後
相關分析完成後，你仍然需要檢查散點圖，看不出有什麼異常值或極端值？扭曲你的相關系數。如果您懷疑異常值或極端值？可能會扭曲你的相關系數，則需要使用SPSS線性回歸檢驗庫克的距離和杠桿值，數據點對於那些較大的Cook距離以及杠桿值？可他們考慮重新之前刪除 - 分析。
如果散點圖顯示了可能存在的非線性關系，你先檢查，看看是否有沒有公式專業書籍在這方面，如果是的話，你可以看看非線性回歸採用SPSS之間它們多少是有關的強度;如果沒有公式，這個問題比較復雜，可以考慮請專業的專家的幫助。
如果散點圖顯示的密度和傳熱系數之間的相關性不強，你能相信這兩者之間沒有任何關系。
從我的答案，你可以看到，散點圖的結果是非常重要的，有種你的問題，這是沒有統計模型無法替代的。
5. SAS中線性回歸REG怎麼輸出標准化殘差
可以根據定義算：
第一種：
標准化殘差=殘差/(sig) /這里的sig=Root MSE
頁面輸出中有root mse這一項，可以用參數除以這項可以得到標准化殘差
但是此種方法比較麻煩
第二種：
學生化殘差=殘差/[(1-hii)*sig] /hii為杠桿值
output out= student=student h=h; /h= 輸出每個觀測的杠桿值
學生化殘差*(1-hii)=殘差/sig /即得到標准化殘差
6. SPSS線性回歸結果解讀以及杠桿效應展示
先看 R方=0.984 說明模型的擬合效果不錯，根據系數表 得到方程為
人均衛生費用=醫療保障支出*1.441+388.509
7. 求分析spss一元線性回歸結果
1) R方=0.552說明存款利率作為自變數可以解釋因變數（ 六個月後漲跌額）55.2%， Durbin-Watson=1.457表示殘差自相關不強，
①當殘差與自變數互為獨立時，D=2 或 DW 越接近2，判斷無自相關性把握越大。
②當相鄰兩點的殘差為正相關時，D<2，DW 越接近於0，正自相關性越強。
③當相鄰兩點的殘差為負相關時，D>2，DW 越接近於4，負自相關性越強。
2)anova table直接看 significance ＜0.05模型顯著，接受這個模型。
3）模型： 六個月後漲跌額= -1559.357 *存款利率+5445.934
4）格式問題，沒看明白可能是相關系數，
5）一些統計量和優化回歸的辦法。其實前三個表就證實這個模型合理啦。
8. 如何用stata做穩健回歸
如何用stata做穩健回歸
大量的線性回歸模型是基於最小二乘法實現的，但其仍存在一些局限性。比如說，樣本點出現許多異常點時，傳統的最小二乘法將不再適用，此時則可以使用穩健回歸（robust regression）代替最小二乘法。
操作
下面的穩健回歸使用的是犯罪數據，該數據來自Alan Agresti和Barbara Finlay的《社會科學統計方法》。變數包括美國各州編號（sid）、州名（state）、每10萬人犯罪案件數量（crime）、生活在貧困線以下人口的百分比（poverty）和單親人口百分比（single）等。我們選擇使用貧窮率和單狀況來預測犯罪率。
獲取數據
use https://stats.idre.ucla.e/stat/stata/dae/crime, clear
summarize crime poverty single
導入數據，並描述各個變數的統計結果，輸出表格中包含樣本容量、平均數、標准差、最小值和最大值。
OLS回歸
在穩健回歸之前，我們先進行OLS回歸，輸出結果如下。
regress crime poverty single
樣本點分析
首先我們通過「lvr2plot」繪制殘差杠桿圖，通過識別離群點和高杠桿值點（杠桿點）進而識別強影響點。假如存在杠桿點的話，要確定哪些是bad leverage point，對於這些離群點我們要評估它對擬合模型的影響。
lvr2plot, mlabel(state)
由圖中我們可以看出，dc、ms、fl三個點殘差較大或者杠桿值比較高。庫克距離是杠桿值與殘差大小的綜合效應，一般而言，庫克距離大於1，則可認為該樣本點為強影響點。接下來我們計算各點的庫克距離（Cook』s Distance），並輸出結果。
predict d1, cooksdclist state crime poverty single d1ifd1>4/51, noobs
由結果可以看出，dc點庫克距離大於1，表明dc這一樣本點對於回歸結果會產生較強的影響，在之後的穩健回歸中我們會對dc點進行特殊處理。
接下來我們分析數據的殘差。使用rstandard這一命令，它表示標准化殘差的絕對值。
predict r1, rstandardgen absr1 = abs(r1)gsort -absr1clist state absr1in1/10, noobs
穩健回歸
我們使用「rreg」命令進行穩健回歸，並輸出結果如下。
rreg crime poverty single, gen(weight)
對比最開始的OLS回歸，我們發現兩者差異較大。並且穩健回歸中的樣本點數量是50，OLS回歸中為51，這是因為經過前面的分析，由於dc這一異常值點對回歸結果影響較強，因此在穩健回歸中我們將其捨去。下面的操作表明在穩健回歸中，dc樣本點所佔權重為零。
clist state weightifstate =="dc", noobs
下面的命令展示了其他權重較小的觀察值，一般而言，殘差較大的觀察值權重較小，例如我們之前提到的ms點。在OLS回歸中，所有樣本點的權重都是1，因此穩健回歸中越多的樣本點權重是1，其回歸結果與OLS結果越相近。
sort weightclist sid state weight absr1 d1in1/10, noobs
我們還可以通過繪制圓圈的方式形象地展現這一關系。下圖中橫坐標表示單親率，縱坐標表示犯罪率，每一個圓圈表示一個樣本點，圓心為該樣本點在坐標中的位置，圓圈直徑越大，表示該樣本點權重越大。
twoway (scatter crime single [weight=weight], msymbol(oh))ifstate !="dc"
拓展
我們在穩健回歸分析之後，可以使用許多後續估計命令，比如test、margin等。下面的操作是我們控制貧困率之後，在不同的單親率下預測犯罪率。我們發現，隨著單親率的提高，犯罪率也相應地上升。
margins, at(single=(8(2)22)) vsquish
9. 炒期貨必看那幾本書
1、基礎修煉：來約翰默菲，自《期貨市場技術分析》；《日本蠟燭圖》
2、進階修煉：《以交易為主》，《股票作手回憶錄》，《專業投機原理》
3、高級修煉：此階段適合在市場已摸爬滾打一年以上者，有成功有失敗。《十年一夢》，《股票作手回憶錄》，注意此處再次閱讀股票作手這本書，有不同的感觸
4、靈魂修煉：《心經》《道德經》
說的比較抽象，可能不太適合你說的做金屬的初衷，但這是一個有5年交易經歷人士的忠告，感謝採納！