【摘要】：各组的分组及因子形成见表3.7～表3.10。表3.12选定因子的试验周期表应用逐步回归进行计算，在信度α＝0.025 时，由于F＝5.45＞F ＝2.18，各回归系数为零的假设不成立，回归效果是显著的。表3.13逐步回归周期分析回归系数表用式对预报对象周期成分进行估计，预报对象与周期成分估计结果对比如图3.7所示。
（1）周期分组实例。为了说明周期分组及因子形成过程，假设X＝｛10，20，30，40，50，60，70，80，90，100｝，即样本容量n＝10，由式（3.17）得分组数m＝4。当k＝2、3、4、5 时，由式（3.18）得到对应的每组数据个数b 分别为5、4、3、2。各组的分组及因子形成见表3.7～表3.10。
各因子延长至n＋1，这里取预报步数为1，即因子序列长度为11。最后形成的因子见表3.11。
表3.7 分组情况表（k＝2）
表3.8 分组情况表（k＝3）
表3.9 分组情况表（k＝4）
表3.10 分组情况表（k＝5）
表3.11 通过周期分析形成的预报因子表
（2）应用实例。以嘉陵江北碚站1953～2005 年7 月最大流量序列作为预报对象。通过逐步回归周期分析计算，在信度α＝0.05 时选定了6 个因子，其对应的试验周期见表3.12。在信度α＝0.025 时，由于t＝11.67＞t （0.025/2）＝2.37，因此全部选定因子与预报对象是线性相关的。
表3.12 选定因子的试验周期表
应用逐步回归进行计算，在信度α＝0.025 时，由于F＝5.45＞F （0.025）＝2.18，各回归系数为零的假设不成立，回归效果是显著的。回归模型如下：
表3.13 逐步回归周期分析回归系数表
用式（3.20）对预报对象周期成分进行估计，预报对象与周期成分估计结果对比如图3.7所示。(www.xing528.com)
图3.7 逐步回归周期分析计算结果图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
