在1-alpha的置信水平下，n元线性回归变量系数的置信检验：T检验；返回的结果是一个数组，第一个数为T统计值，二为p值，三为原假设的值（0表示拒绝，1表示接受） n元线性回归 T-检验统计量： [img type="tslxml" file="media2024-03-20_FiEdP1KUjd9tXl9K/image1.png"][/img] [img type="tslxml" file="media2024-03-20_FiEdP1KUjd9tXl9K/image2.png"][/img] [img type="tslxml" file="media2024-03-20_FiEdP1KUjd9tXl9K/image3.png"][/img] [img type="tslxml" file="media2024-03-20_FiEdP1KUjd9tXl9K/image4.png"][/img] 其中：[img type="tslxml" file="media2024-03-20_FiEdP1KUjd9tXl9K/image5.png"][/img]为方程系数的估计，T为样本容量，k为自变量个数，X为常量加自变量的矩阵，其中[img type="tslxml" file="media2024-03-20_FiEdP1KUjd9tXl9K/image6.png"][/img]； 原假设：[img type="tslxml" file="media2024-03-20_FiEdP1KUjd9tXl9K/image7.png"][/img]（[img type="tslxml" file="media2024-03-20_FiEdP1KUjd9tXl9K/image8.png"][/img]为方程的系数）表示回归方程不显著；
范例(t):


[code]


U:=array(0.245863,0.056726,-0.145411,-0.287547,-0.410684,-0.012821,0.073042,…

T检验,在alpha的置信水平下，n元线性回归变量系数的显著性检验 原假设：回归方程系数不显著。带约束的加权最小二乘 RWLS 模型，对回归系数进行显著性检验， 适用于以下
算法:OLS：普通最小二乘法回归，不需要给权重参数weight，不需要给约束参数restrictiveness
WLS：加权最小二乘法回归，需要给权重参数weight，不需要给约束参数restric…

用White调整对回归系数进行T检验。此调整用于当残差或者因变量（两者等价）存在异方差性但不存在自相关性时，利用OLS回归后对回归系数的协方差矩阵进行White调整计算，得到每个系数White调整后的标准误，再进行T检验。公式如下QWhite=1Ti=1Tei2XiXi' 其中e为残差序列，Xi为X第i行的转置 之后代入下式计算出回归系数的协方差矩阵，它的对角元即为每个系数的方差Covβ*=X'X-1X'σ2ΩXX'X-1=TX'X-1QWhiteX'X-1
范例(t):
[code]
Y:=array(0.001,0.564,0.193,0.809,0.585,0.48,0.35,0.896,0.823,0.747);
  X:= array(…

用NW调整对回归系数进行T检验。此调整用于当残差或者因变量（两者等价）存在异方差性并且存在自相关性时，利用OLS回归后对回归系数的协方差矩阵进行NW调整计算，得到每个系数NW调整后的标准误，再进行T检验。公式如下QNW=1Tt=1Tet2XtXt'+l=1Lt=l+1Twletet-lXtXt-l'+Xt-lXt' 其中，wl=1-l1+L 其中e为残差序列，Xi为X第i行的转置，L为自相关最大滞后阶数，Newey and West (1994)?提出可以用下面这个公式自动计算L=4*(T100)2/9 之后代入下式计算出回归系数的协方差矩阵，它的对角元即为每个系数的方差Covβ*=X'X-1X'σ2ΩXX'X-1=TX'X-1QNWX'X-1
范例(t):
[code]
Y:=array(0.001,0.564,0.193,0.809,0.585,0.48,0.35,0.896,0.823,0.747);
  X:= array(…

范例(t):
[code]
Y:=array(0.001,0.564,0.193,0.809,0.585,0.48,0.35,0.896,0.823,0.747);
X:= array(
(0…

范例(t):
[code]
U:=array(0.245863,0.056726,-0.145411,-0.287547,-0.410684,0.012821,0.073042,0.201905,…

范例(t):


[code]


U:=array(0.245863,0.056726,-0.145411,-0.287547,-0.410684,-0.012821,0.073042,…

范例(t):
[code]
Y:=array(0.564,0.693,0.809,0.985,1.18,1.896,2.3,2.747,3);
return regress_jbtest(y,0…

算法:OLS：普通最小二乘法回归，不需要给权重参数weight，不需要给约束参数restrictiveness
WLS：加权最小二乘法回归，需要给权重参数weight，不需要给约束参数restric…

范例(t):
[code]
Y:=array(0.001,0.564,0.193,0.809,0.585,0.48,0.35,0.896,0.823,0.747);
  X:= array(…

范例(t):
[code]
Y:=array(0.001,0.564,0.193,0.809,0.585,0.48,0.35,0.896,0.823,0.747);
  X:= array(…