1. 在spss多元线性回归中，什么是原假设
这两个问题都不是原假设。
统计中多元线性回归的原假设是这两组变量有相关关系。
2. 交易期货需要学习什么才能获利
一般情况下期货指标都是震荡亏钱的，出现大趋势一般都是赚钱的，要规避期货指标的震荡行情是要靠自己的经验，期货指标是要看你适合什么样子的指标去做，这个不能给你推荐的，因为每个人的操盘手法不一样，所以看的期货指标也就不一样，希望对提问者有所帮助，在给你介绍个期货指标交流论坛，里面有很多的期货指标公式，希望在里面你能找到适合自己的期货指标去做期货交易，来实现稳定盈利的模式。 搜索期货论坛_投机之王社区，进去看看期货指标就知道了
3. 多元线性回归。spss应用。如何输出库克距离、杠杆值等统计量。
analyz--general linear model--multivariate--save--diagnostic下有cook's distance & leverage values
4. spss非线性回归分析,anova表无残差项，不能显示相关系数，怎么解决
SPSS软件内的一个smaple t检验和单因素方差分析测试这两个并不适用于你的数据，你应该先使用密度和导热系数散点图检查之间的关系（线性或非线性关系）的存在的可能性，如果有是密度和传热系数之间存在一定的线性关系，可以用SPSS来看看它们之间的相关性是关系到数字的强度：
二元...后
相关分析完成后，你仍然需要检查散点图，看不出有什么异常值或极端值？扭曲你的相关系数。如果您怀疑异常值或极端值？可能会扭曲你的相关系数，则需要使用SPSS线性回归检验库克的距离和杠杆值，数据点对于那些较大的Cook距离以及杠杆值？可他们考虑重新之前删除 - 分析。
如果散点图显示了可能存在的非线性关系，你先检查，看看是否有没有公式专业书籍在这方面，如果是的话，你可以看看非线性回归采用SPSS之间它们多少是有关的强度;如果没有公式，这个问题比较复杂，可以考虑请专业的专家的帮助。
如果散点图显示的密度和传热系数之间的相关性不强，你能相信这两者之间没有任何关系。
从我的答案，你可以看到，散点图的结果是非常重要的，有种你的问题，这是没有统计模型无法替代的。
5. SAS中线性回归REG怎么输出标准化残差
可以根据定义算：
第一种：
标准化残差=残差/(sig) /这里的sig=Root MSE
页面输出中有root mse这一项，可以用参数除以这项可以得到标准化残差
但是此种方法比较麻烦
第二种：
学生化残差=残差/[(1-hii)*sig] /hii为杠杆值
output out= student=student h=h; /h= 输出每个观测的杠杆值
学生化残差*(1-hii)=残差/sig /即得到标准化残差
6. SPSS线性回归结果解读以及杠杆效应展示
先看 R方=0.984 说明模型的拟合效果不错，根据系数表 得到方程为
人均卫生费用=医疗保障支出*1.441+388.509
7. 求分析spss一元线性回归结果
1) R方=0.552说明存款利率作为自变量可以解释因变量（ 六个月后涨跌额）55.2%， Durbin-Watson=1.457表示残差自相关不强，
①当残差与自变量互为独立时，D=2 或 DW 越接近2，判断无自相关性把握越大。
②当相邻两点的残差为正相关时，D<2，DW 越接近于0，正自相关性越强。
③当相邻两点的残差为负相关时，D>2，DW 越接近于4，负自相关性越强。
2)anova table直接看 significance ＜0.05模型显著，接受这个模型。
3）模型： 六个月后涨跌额= -1559.357 *存款利率+5445.934
4）格式问题，没看明白可能是相关系数，
5）一些统计量和优化回归的办法。其实前三个表就证实这个模型合理啦。
8. 如何用stata做稳健回归
如何用stata做稳健回归
大量的线性回归模型是基于最小二乘法实现的，但其仍存在一些局限性。比如说，样本点出现许多异常点时，传统的最小二乘法将不再适用，此时则可以使用稳健回归（robust regression）代替最小二乘法。
操作
下面的稳健回归使用的是犯罪数据，该数据来自Alan Agresti和Barbara Finlay的《社会科学统计方法》。变量包括美国各州编号（sid）、州名（state）、每10万人犯罪案件数量（crime）、生活在贫困线以下人口的百分比（poverty）和单亲人口百分比（single）等。我们选择使用贫穷率和单状况来预测犯罪率。
获取数据
use https://stats.idre.ucla.e/stat/stata/dae/crime, clear
summarize crime poverty single
导入数据，并描述各个变量的统计结果，输出表格中包含样本容量、平均数、标准差、最小值和最大值。
OLS回归
在稳健回归之前，我们先进行OLS回归，输出结果如下。
regress crime poverty single
样本点分析
首先我们通过“lvr2plot”绘制残差杠杆图，通过识别离群点和高杠杆值点（杠杆点）进而识别强影响点。假如存在杠杆点的话，要确定哪些是bad leverage point，对于这些离群点我们要评估它对拟合模型的影响。
lvr2plot, mlabel(state)
由图中我们可以看出，dc、ms、fl三个点残差较大或者杠杆值比较高。库克距离是杠杆值与残差大小的综合效应，一般而言，库克距离大于1，则可认为该样本点为强影响点。接下来我们计算各点的库克距离（Cook’s Distance），并输出结果。
predict d1, cooksdclist state crime poverty single d1ifd1>4/51, noobs
由结果可以看出，dc点库克距离大于1，表明dc这一样本点对于回归结果会产生较强的影响，在之后的稳健回归中我们会对dc点进行特殊处理。
接下来我们分析数据的残差。使用rstandard这一命令，它表示标准化残差的绝对值。
predict r1, rstandardgen absr1 = abs(r1)gsort -absr1clist state absr1in1/10, noobs
稳健回归
我们使用“rreg”命令进行稳健回归，并输出结果如下。
rreg crime poverty single, gen(weight)
对比最开始的OLS回归，我们发现两者差异较大。并且稳健回归中的样本点数量是50，OLS回归中为51，这是因为经过前面的分析，由于dc这一异常值点对回归结果影响较强，因此在稳健回归中我们将其舍去。下面的操作表明在稳健回归中，dc样本点所占权重为零。
clist state weightifstate =="dc", noobs
下面的命令展示了其他权重较小的观察值，一般而言，残差较大的观察值权重较小，例如我们之前提到的ms点。在OLS回归中，所有样本点的权重都是1，因此稳健回归中越多的样本点权重是1，其回归结果与OLS结果越相近。
sort weightclist sid state weight absr1 d1in1/10, noobs
我们还可以通过绘制圆圈的方式形象地展现这一关系。下图中横坐标表示单亲率，纵坐标表示犯罪率，每一个圆圈表示一个样本点，圆心为该样本点在坐标中的位置，圆圈直径越大，表示该样本点权重越大。
twoway (scatter crime single [weight=weight], msymbol(oh))ifstate !="dc"
拓展
我们在稳健回归分析之后，可以使用许多后续估计命令，比如test、margin等。下面的操作是我们控制贫困率之后，在不同的单亲率下预测犯罪率。我们发现，随着单亲率的提高，犯罪率也相应地上升。
margins, at(single=(8(2)22)) vsquish
9. 炒期货必看那几本书
1、基础修炼：来约翰默菲，自《期货市场技术分析》；《日本蜡烛图》
2、进阶修炼：《以交易为主》，《股票作手回忆录》，《专业投机原理》
3、高级修炼：此阶段适合在市场已摸爬滚打一年以上者，有成功有失败。《十年一梦》，《股票作手回忆录》，注意此处再次阅读股票作手这本书，有不同的感触
4、灵魂修炼：《心经》《道德经》
说的比较抽象，可能不太适合你说的做金属的初衷，但这是一个有5年交易经历人士的忠告，感谢采纳！