回归分析方法总结全面

第一篇：回归分析方法总结全面

一、什么是回归分析

回归分析(Regression Analysis)是研究变量之间作用关系的一种统计分析方法，其基本组成是一个（或一组）自变量与一个（或一组）因变量。回归分析研究的目的是通过收集到的样本数据用一定的统计方法探讨自变量对因变量的影响关系，即原因对结果的影响程度。回归分析是指对具有高度相关关系的现象，根据其相关的形态，建立一个适当的数学模型(函数式)，来近似地反映变量之间关系的统计分析方法。利用这种方法建立的数学模型称为回归方程，它实际上是相关现象之间不确定、不规则的数量关系的一般化。

二、回归分析的种类 1.按涉及自变量的多少，可分为一元回归分析和多元回归分析一元回归分析是对一个因变量和一个自变量建立回归方程。多元回归分析是对一个因变量和两个或两个以上的自变量建立回归方程。

2.按回归方程的表现形式不同，可分为线性回归分析和非线性回归分析

若变量之间是线性相关关系，可通过建立直线方程来反映，这种分析叫线性回归分析。若变量之间是非线性相关关系，可通过建立非线性回归方程来反映，这种分析叫非线性回归分析。

三、回归分析的主要内容

1.建立相关关系的数学表达式。依据现象之间的相关形态，建立适当的数学模型，通过数学模型来反映现象之间的相关关系，从数量上近似地反映变量之间变动的一般规律。

2.依据回归方程进行回归预测。由于回归方程反映了变量之间的一般性关系，因此当自变量发生变化时，可依据回归方程估计出因变量可能发生相应变化的数值。因变量的回归估计值，虽然不是一个必然的对应值(他可能和系统真值存在比较大的差距)，但至少可以从一般性角度或平均意义角度反映因变量可能发生的数量变化。

3.计算估计标准误差。通过估计标准误差这一指标，可以分析回归估计值与实际值之间的差异程度以及估计值的准确性和代表性，还可利用估计标准误差对因变量估计值进行在一定把握程度条件下的区间估计。四、一元线性回归分析

1.一元线性回归分析的特点

1)两个变量不是对等关系，必须明确自变量和因变量。

2)如果x和 y两个变量无明显因果关系，则存在着两个回归方程：一个是以x为自变量，y为因变量建立的回归方程；另一个是以y为自变量，x为因变量建立的回归方程。若绘出图形，则是两条斜率不同的回归直线。

3)直线回归方程中，回归系数b可以是正值，也可以是负值。若 0 b >，表示直线上升，说明两个变量同方向变动；若 0 b <，表示直线下降，说明两个变量是反方向变动。2.建立一元线性回归方程的条件

任何一种数学模型的运用都是有前提条件的，配合一元线性回归方程应具备以下两个条件： 1)两个变量之间必须存在高度相关的关系。

两个变量之间只有存在着高度相关的关系，回归方程才有实际意义。2)两个变量之间确实呈现直线相关关系。

两个变量之间只有存在直线相关关系，才能配合直线回归方程。3.建立一元线性回归方程的方法

一元线性回归方程是用于分析两个变量（一个因变量和一个自变量）线性关系的数学表达式，一般形式为：yc=a+bx 式中：x代表自变量；

yc代表因变量y的估计值(又称理论值)； ab为回归方程参数。其中，a是直线在y轴上的截距，它表示当自变量x等于 0 时，因变量所达到的数值；b是直线的斜率,在回归方程中亦称为回归系数,它表示当自变量x每变动一个单位时，因变量y平均变动的数值。

一元线性回归方程应根据最小二乘法原理建立，因为只有用最小二乘法原理建立的回归方程才可以同时满足两个条件：

1)因变量的实际值与回归估计值的离差之和为零；

2)因变量的实际值与回归估计值的离差平方和为最小值。

只有满足这两个条件，建立的直线方程的误差才能最小，其代表性才能最强。

现在令要建立的一元线性回归方程的标准形式为yc=a+bx,依据最小二乘法原理，因变量实际值y与估计值yc的离差平方和为最小值,即Q=∑(y-yc)2取得最小值。为使Q=∑(y-yc)2=最小值

根据微积分中求极值的原理，需分别对a,b求偏导数，并令其为0，经过整理，可得到如下方程组： ∑y=an+b∑x ∑xy=a∑x+b∑x2

解此方程组，可求得a,b两个参数

4.计算估计标准误差

回归方程只反映变量x和y之间大致的、平均的变化关系。因此，对每一个给定的x值，回归方程的估计值yc与因变量的实际观察值y之间总会有一定的离差，即估计标准误差。估计标准误差是因变量实际观察值 y与估计值yc离差平方和的平均数的平方根，它反映因变量实际值y与回归直线上各相应理论值yc之间离散程度的统计分析指标。估计标准误差：

式中：sy——估计标准误差；y——因变量实际观察值；yc——因变量估计值；n-2——自由度 如何描述两个变量之间线性相关关系的强弱？ 利用相关系数r来衡量

当r>0时，表示x与y为正相关;当r<0时，表示x与y为负相关。5.残差分析与残差图：

残差是指观测值与预测值（拟合值）之间的差，即是实际观察值与回归估计值的差

在研究两个变量间的关系时，a)要根据散点图来粗略判断它们是否线性相关；

b)判断是否可以用回归模型来拟合数据；

c)可以通过残差来判断模型拟合的效果，判断原始数据中是否存在可疑数据，这方面的分析工作就称为残差分析。6.残差图的制作及作用。

坐标纵轴为残差变量，横轴可以有不同的选择；若模型选择的正确，残差图中的点应该分布 在以横轴为心的带状区域，带状区域的宽度越窄精度越高。对于远离横轴的点，要特别注意。

7.几点注解：

第一个样本点和第 6 个样本点的残差比较大，需要确认在采集过程中是否有人为的错误。如果数据采集有错误，就应该予以纠正，然后再重新利用线性回归模型拟合数据；如果数据采集没有错误，则需要寻找其他的原因。

另外，残差点比较均匀地落在水平的带状区域中，说明选用的模型计较合适，这样的带状区域的宽度越窄，说明模型拟合精度越高，回归方程的预报精度越高。还可以用判定系数r2来刻画回归的效果，该指标测度了回归直线对观测数据的拟合程度，其计算公式是：

其中：SSR-回归平方和；

SSE-残差平方和；

Sst=ssr+sse总离差平方和。

由公式知，R（相关指数）的值越大，说明残差平方和越小，也就是说模型拟合效果越好。在含有一个解释变量的线性模型中r2恰好等于相关系数r的平方，即R2=r2

在线性回归模型中，R2表示解释变量对预报变量变化的贡献率。R2越接近1，表示回归的效果越好（因为R2越接近1，表示解释变量和预报变量的线性相关性越强）。

如果某组数据可能采取几种不同回归方程进行回归分析，则可以通过比较R2的值来做出选择，即选取R2较大的模型作为这组数据的模型。

总的来说：相关指数R2是度量模型拟合效果的一种指标。在线性模型中，它代表自变量刻画预报变量的能力。

五、多元线性回归分析

在一元线性回归分析中，因变量y只受某一个因素的影响，即只由一个自变量x来估计。但对于复杂的自然界中的问题，影响因素往往很多，在这种情况下，因变量y要用多个自变量同时进行估计。例如，某种产品的总成本不仅受原材料价格的影响，而且也与产品产量、管理水平等因素有关；农作物产量的髙低受品种、气候、施肥量等多个因素的影响。描述因变量与两个或两个以上自变量之间的数量关系的回归分析方法称为多元线性回归分析。它是一元线性回归分析的推广，其分析过程相对复杂一些，但基本原理与一元线性回归分析类似。多元线性回归方程的一般表达式为： 为便于分析，当自变量较多时可选用两个主要的自变量x1和x2。其线性回归方程标准式为：

其中：yc为二元回归估计值；a为常数项；b1和b2分别为y对x1和x2的回归系数，b1表示当自变量x2为一定时，由于自变量x1变化一个单位而使y平均变动的数值，b2表示当自变量x1为一定时，由于自变量x2变化一个单位而使y平均变动的数值，因此，b1和b2称为偏回归系数。

要建立二元回归方程，关键问题是求出参数a，b1和b2的值，求解方法仍用最小二乘法，即分别对a，b1和b2求偏导数，并令函数的一阶导数等于零，可得如下方程组：

(二)在回归分析中，通常称自变量为回归因子，一般用一般用表示。预测公式：

表示，而称因变量为指标，称之为回归方程。回归

模型，按照各种原则可以分为各种模型：

1.当n =1 时，称为一元(单因子)回归；当n ≥ 2时，称为多元(多因子)回归。

2.当 f 为线性函数时，称为线性回归；当 f 为非线性函数时，称为非线性(曲线)回归。最小二乘准则：

假设待定的拟合函数为，另据m个数据点，相当于求解以下规划问题：

即使得总离差平方和最小。具体在线性拟合的过程中，假设拟合函数为y=a+bx，a与b为待定系数，已知有m个数据点，分别为使：，应用最小二乘法，就是要

达到最小值。

把S 看成自变量为a和b的连续函数，则根据连续函数达到及致电的必要条 件，于是得到：

因此，当S 取得最小值时，有：

可得方程组为：

称这个方程组为正规方程组，解这个二元一次方程组，得到：

如果把已有数据描绘成散点图，而且从散点图中可以看出，各个数据点大致分布在一条直线附近，不妨设他们满足线性方程：

其中，x为自变量，y为因变量，a与b为待定系数；ε成为误差项或者扰动项。

这里要对数据点做线性回归分析，从而a和b就是待定的回归系数，ε为随机误差。不妨设得到的线性拟合曲线为：

这就是要分析的线性回归方程。一般情况下，得到这个方程以后，主要是描绘出

回归曲线，并且观测拟合效果和计算一些误差分析指标，例如最大点误差、总方差和标准差等。

这里最缺乏的就是一个统一的评价系统，以下说明从概率角度确立的关于线性回归的一套评价系统。

在实际的线性回归分析中，除了估计出线性回归系数a和b，还要计算y和x的相关程度，即相关性检验。相关性检验主要通过计算相关系数来分析，相关系数的计算公式为：

其中n为数据点的个数，为原始数据点，r的值能够很好地反映出线性相关程度的高低，一般来说，存在以下一些标准：

1.当 r →1 或者 r →− 1时，表示 y与x高度线性相关，于是由原始数据描绘出的散点图中所有数据点都分布在一条直线的附近，分别称为正相关和负相关；

2.当 r →0 时，表示 y与x不相关，由原始数据描绘出的散点图的数据点一般呈无规律的特点四散分布； 3.当−1

4.如果r → 1，则y与x线性相关程度越高；反之，如果r →0，则y与x线性相关程度越低。

实际计算r值的过程中，长列表计算，即：

在实际问题中，一般要保证回归方程有最低程度的线性相关。因为许多实际问题中，两个变量之间并非线性的相关关系，或者说线性相关程度不高，此时硬给他建立线性回归方程，显然没有太大意义，也没有什么实用价值。一般来说，把这个最低限度的值记为临界值出r的值，并且满足，称之为相关性检验标准。因此，如果计算，则符合相关性要求，线性回归方程作用显著。反之，如果，则线性回归方程作用不显著，就尽量不要采用线性回归方程。临界值的数值表如下：

其中，自由度可以由原始数据点的个数减去相应的回归方程的变量个数，例如线性回归方程中有两个变量，而数据点的个数为n个，则自由度为n − 2.自由度一般记为 f，但不要与一般的函数发生混淆。显著性水平一般取为 0.01,0.02,0.05等，利用它可以计算y与x之间相关关系的可信程度或者称为置信水平，计算公式为：

(这里取显著性水平为α =0.05)

现在介绍置信区间的问题，由于实际误差的存在，由线性拟合得到的计算值跟实际值之间必然存在一定的差距，其差值就是计算误差。假设原始数据点为为，计算得到的数据点，再给定附近的一个区间：

则实际值yi可能落在这个区间内，也可能落在这个区间外。如果所有的这些区间(以为中心，长度为)包含实际值的个数占总数的比例达到95%或者以上，则称这些区间的置信水平不少于95% 根据以上的分析，可以知道置信区间的概念，如果确定了置信水平为95%，从而可以找到相应的最小的Δt值，使得 95%以上的实际值落在区间

内，则称为预测值满足置信水平95%的置信区间。一般情况下，如果不做特别说明，置信区间的相应置信水平默认为95%，置信区间反映了回归方程的适用范围和精确度，特别的，当所有离散数据分布在回归曲线的附件，大致呈现为正态分布时，置信区间为：中S 为该回归模型的标准差，计算公式为：

其或者为：

那么，如果回归方程为 y=a+bx，则有两条控制直线分别为，他们代表了置信区间的上限和下限，如下图所示：

和

那么，可以预料实际的数据点几乎全部(至少95%)落在上图两条虚线所夹的区域内。这里对回归方程的应用做一个总结：

1.估计、预测指标值。对于因子x的一个给定值 x0，代入回归预测方程即可求出相应的指标值，称为指标y0的点估计，相应预测误差为

但是，真实指标y0 的值一般无法确知，预测精度只能根据回归误差来做估计。在回归预测中，预测的精度可以用均方差和标准差的比值来估计；

2.估计指标值范围。估计指标值的范围，就是求给定x0，相应于某个给定的置信水平的置信区间。具体的求法，要应用到t分布；

3.控制因子取值。在某些实际问题中，特别当因子值可以人为的控制、调解时，也可以根据所要达到的指标值，反过来推出因子的取值，这就是因子值的控制。

第二篇：各种回归方法总结

1、稳健回归

其主要思路是将对异常值十分敏感的经典最小二乘回归中的目标函数进行修改。经典最小二乘回归以使误差平方和达到最小为其目标函数。因为方差为一不稳健统计量，故最小二乘回归是一种不稳健的方法。为减少异常点的作用，对不同的点施加不同的权重，残差小的点权重大，残差大的店权重小。

2、变系数回归

地理位置加权

3、偏最小二乘回归 长期以来，模型式的方法和认识性的方法之间的界限分得十分清楚。而偏最小二乘法则把它们有机的结合起来了，在一个算法下，可以同时实现回归建模(多元线性回归)、数据结构简化(主成分分析)以及两组变量之间的相关性分析(典型相关分析)。偏最小二乘法在统计应用中的重要性体现在以下几个方面：偏最小二乘法是一种多因变量对多自变量的回归建模方法。偏最小二乘法可以较好的解决许多以往用普通多元回归无法解决的问题。偏最小二乘法之所以被称为第二代回归方法，还由于它可以实现多种数据分析方法的综合应用。能够消除自变量选取时可能存在的多重共线性问题。普通最小二乘回归方法在自变量间存在严重的多重共线性时会失效。自变量的样本数与自变量个数相比过少时仍可进行预测。

4、支持向量回归

能较好地解决小样本、非线性、高维数和局部极小点等实际问题。

传统的化学计量学算法处理回归建模问题在拟合训练样本时,要求“残差平方和”最小,这样将有限样本数据中的误差也拟合进了数学模型,易产生“过拟合”问题,针对传统方法这一不足之处,SVR采用“ε不敏感函数”来解决“过拟合”问题,即f(x)用拟合目标值yk时,取:f(x)=∑SVs(αi-α*i)K(xi,x)

上式中αi和α*i为支持向量对应的拉格朗日待定系数,K(xi,x)是采用的核函数[18],x为未知样本的特征矢量,xi为支持向量(拟合函数周围的ε“管壁”上的特征矢量),SVs

为支持向量的数目.目标值yk拟合在yk-∑SVs(αi-α*i)K(xi,xk)≤ε时,即认为进一步拟合是无意义的。

5、核回归

核函数回归的最初始想法是用非参数方法来估计离散观测情况下的概率密度函数(pdf)。为了避免高维空间中的内积运算

由Mercer条件，存在映射函数a和核函数K(?,?)，使得：=K(xi ,x)

采用不同的函数作为SVM的核函数K(x i,x)，可以实现多种从输入空间到特征空间的非线性映射形式

6、岭回归

岭回归分析是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的耐受性远远强于最小二乘法。

7、半参数回归

模型既含有参数分量又含有非参数分量,其参数部分用来解释函数关系已知的部分,它是观测值中的主要成分,而其非参数部分则描述函数关系未知,无法表达为待定参数的函数部分。

8、自回归

例1．Yt = α+β0Xt +β1Xt-1 +……+βsXt-s + ut，例2．Yt = f(Yt-1, Yt-2, … , X2t, X3t, …)，滞后的因变量（内生变量）作为解释变量出现在方程的右端。这种包含了内生变量滞后项的模型称为自回归模型。

9、正交回归

因素水平值在区间[Zｊ1, Zｊ2]内变化，经编码之后，编码值xi在区间[-1，+1]间变化，将响应值y原来对Z1, Z2……Zm的回归问题，转化为y对x1,x2……xm的回归问题。它的主要优点是可以把实验或计算的安排、数据的处理和回归方程的精度统一起来加以考虑,根据实验目的和数据分析来选择实验或计算点,不仅使得在每个实验或计算点上获得的数据含有最大的信息,从而减少实验或计算次数,而且使数据的统计分析具有一些较好的性质,以较少的实验或计算建立精度较高的回归方程。

10、逐步回归

实际问题中影响因变量的因素可能很多，我们希望从中挑选出影响显著的自变量来建立回归模型，这就涉及到变量选择的问题，逐步回归是一种从众多变量中有效地选择重要变量的方法。基本思路为，先确定一初始子集，然后每次从子集外影响显著的变量中引入一个对y 影响最大的，再对原来子集中的变量进行检验，从变得不显著的变量中剔除一个影响最小的，直到不能引入和剔除为止。

11、主成分回归

在统计学中，主成分分析是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。

首先对X阵进行主成份分析，T阵的维数可以与X阵相同，如果使用整个T阵参加回归，这样得到的结果与多元线性回归没有多大的差别。因为主成分（新变量）是原变量的线性组合。前面的k个主成份包含了X矩阵的绝大部分有用信息，而后面的主成份则往往与噪声和干扰因素有关。因此参与回归的是少数主成分组成的矩阵。在维数上远小于X。主成分回归通过对参与回归的主成份的合理选择，可以去掉噪音。主成份间相互正交，解决了多元线性回归中的共线性问题。主成分回归能够充分利用数据信息，有效地提高模型的抗干扰能力。

第三篇：统计回归分析报告

一、分析

第一步：解：设居住面积为

X1，房屋税为X2，是否配有游泳池为X3.模型为：

第二步：估计参数建立模型

bVariables Entered/Removedˆ01X12X23X3y(Analyze

Regression

Linear)Model1VariablesEntered游泳池, 房屋税, a居住面积VariablesRemoved.MethodEntera.All requested variables entered.b.Dependent Variable: 销售价格

Model SummaryModel1RR Square.885a.783AdjustedR Square.691Std.Error ofthe Estimate25.15902 a.Predictors:(Constant), 游泳池, 房屋税, 居住面积bANOVAModel1Sum ofSquaresRegression16028.801Residual4430.836Total20459.636df3710Mean Square5342.934632.977F8.441Sig..010aa.Predictors:(Constant), 游泳池, 房屋税, 居住面积b.Dependent Variable: 销售价格

aCoefficientsModel1(Constant)居住面积房屋税游泳池UnstandardizedCoefficientsBStd.Error12.69831.5073.5291.29833.85111.6179.77017.697StandardizedCoefficientsBeta.532.555.101t.4032.7192.914.552Sig..699.030.023.598a.Dependent Variable: 销售价格 通过SPSS线性回归分析：



取显著性水平α=0.05，sig必须小于0.05才能t值检验合格，（1）、拟合优度检验：由可决系数R2=0.885，大于0.7，说明模型对数据的拟合程度一般。

（2）、F检验： 由F=8.441，检验P=0.010<0.05，即可认为回归系数具有显著意义。这说明原先的线性模型假设是对的。（3）、t检验：对于t检验，先检验X1，因为X1的t统计量为2.719，检验P=0.030<0.05，自变量X1的t检验通过；再检验X2，因为X2的t统计量为2.914，检验P=0.0230<0.05，自变量X2的t检验通过；最后检验X3，因为X3的t统计量为0.552，检验P=0.598>0.05，自变量X3的t检验没有通过，y与x3之间不存在线性关系,剔除后重新估计方程。再次进行统计检验：

bVariables Entered/RemovedModel1VariablesEntered房屋税, a居住面积VariablesRemoved.MethodEntera.All requested variables entered.b.Dependent Variable: 销售价格

bANOVA Sum ofModelSquares1Regression15835.868Residual4623.769Total20459.636b.Dependent Variable: 销售价格dfMean Square27917.9348577.97110F13.700Sig..003aa.Predictors:(Constant), 房屋税, 居住面积

aCoefficientsModel1(Constant)居住面积房屋税UnstandardizedCoefficientsBStd.Error19.35427.8153.3611.20633.56911.090StandardizedCoefficientsBeta.507.551t.6962.7873.027Sig..506.024.016 a.Dependent Variable: 销售价格

aResiduals StatisticsPredicted ValueStd.Predicted ValueStandard Error of7.64921.863Predicted ValueAdjusted Predicted Value115.4975225.9239Residual-28.2165736.51500Std.Residual-1.1741.519Stud.Residual-1.2562.418Deleted Residual-32.31361110.05458Stud.Deleted Residual-1.3114.359Mahal.Distance.1037.361Cook's Distance.0025.037Centered Leverage Value.010.736a.Dependent Variable: 销售价格Minimum120.1281-.997Maximum234.29681.872MeanStd.Deviation159.818239.79431.0001.00011.636152.2998.00000.000.1087.51842.3021.818.497.1824.94532.4261821.50295.8941.14840.689931.6282.5431.507.254N***111111111

 再次进行R拟合度检验、F检验、t检验  1）拟合度检验：从上图表一可以看出：相关系数为R=0.880，可决系数R2=0.774＞0.7，说明模型对数据的拟合程度可行。

 2）F检验：从ANOVA方差分析表可以看出，F=13.7，P=0.03＜0.05，可以认为变量y与X1，X2之间的线性关系显著。 3）t检验：从Coefficients系数分析表可以看出，X1的t统计量为2.787，P=0.024＜0.05，通过t检验；X2的统计量为3.027，P=0.016＜0.05，通过t检验，所以可以认为因变量y与X1，X2之间存在线性回归关系。通过统计检验可以得出一元线性回归方程：

y19.3543.361x133.569x2综上所述，当X1=18百平方尺，X2=1.5百元时，售价的点估计值为(pre_1)为130.20714千元，也就是说该夫妇所拥有的房子的售价的预测区间为7.02163万～19.019798万美金之间，而这对夫妇所提出的抵押额是预测区间的上限，为了安全慎重起见，银行会拒绝这对夫妇的申请。

第四篇：传统文化回归课堂分析

传统文化回归课堂分析

近60年来，一次次的教学改革，更变了教育模式、教育技术、教育制度、科学知识和教育观念，但是仍然缺少一种深厚的底蕴和大智慧的观照。纵观当下的语文教学，仍笼罩着应试教育的阴影。建立在工具化、符号化和理性化知识观基础上的语文被成一块块，演化成做不完的习题，就像荒芜的沙漠，无情无趣、缺乏美感。现有的语文 教材虽是完整而系统的，却同时也暴露出其封闭性。“文化”的失落，带来儿童身心发展的片面与异化，教出来的孩子可能有知识但没灵魂，有技艺但没情怀。如此看来，语文的工具性和人文性并没有得到很好的统一。语文课程改革还没有从根本上解决文化的缺失问题。

在我看来，教学方式和教学手段的改变都不能给教学带来奇迹，只有当教学方式和教学内容同时改进时，语文教育才有希望。语文教育拿什么来培育儿童呢?我以为，文化的品质和素养是一个可以让人终身受益的东西，能让语文教育回到其本真状态和原先意义上去。为了突出语文教学中文化的特性、灵魂和精神，真正把“语文”教学当做“文化”的载体来实践，我和我的海门市东洲小学的老师们提出了“文化语文”的主张。“文化语文”中的“文化”，是一种精神、一种积淀、一种濡染，一种智慧，引导儿童探寻意义、沐浴传统、丰富涵养、提升悟性。这几年来，我和我的团队伴随“文化语文”一路走来，得到了许多大学和教科研院所专家学者的指导，吸收了“李吉林情境教育”等诸多理论流派的宝贵经验，帮助我们纠正了许多偏差。我们一步步从课堂中走出来，进入一个更为广阔的教育文化领域，这也正验证了一线教师在职业生涯中的生活经历就是一个实验的命题。

我认为，建设“文化语文”课程，是一种让语文教育“回家”的深入思考和把握。两千多年前，孔子带着学生“游春”，意味非常浓。孔子的教育既有书斋里的琅琅书声，也有“浴乎沂，风乎舞雩，咏而归”的惬意快乐，这就是中国式的教育。

首先回归语文和儿童的关系上。“哲学原就是怀着一种乡愁的冲动到处去寻找家园”的，“寻找家园”的冲动就是“精神还乡”。语文教育要使语言成为儿童的精神家园，这个家园中有自己民族的文化信念乃至文化信仰。我以为，语文的工具性和人文性是有机统一的。从中**语的特点来讲，母语的工具性就是它的人文性。没有工具性的支撑，人文性就成了无影之水，没有人文性的支撑，工具性的目标也根本实现不了。儿童通过扎实的母语学习，才有可能感悟诗歌的悲情美，小说的欢乐美，戏曲的团圆与浪漫。唯有吮吸到母语甜美的“乳汁”，才会长成有中华民族文化修养的人。

其次回归中华民族的优秀文化传统。阿诺德说，“文化是对完美的追求”，“文化语文”就是要在中国的土壤里寻找中国教育的钥匙，让儿童守护母语的家园，培养有民族根基的全面发展的人。正如作家冯骥才所说:“文化是民族的一根神经。如果没有了民族文化，那这个民族就成了植物人。”同样，民族文化也是语文的一根神经，抽去这根神经，语文就是一个植物人似的语文。

再次回归课程。“回归课程”就是用最有价值的知识，用道德的方式，来传承和发展文化。以民族文化为核心，多元文化和儿童文化为语境，基于儿童的生态教学，回归民族的古典情结，追求语文的情调性灵，强调儿童的精神关怀和智慧生长，使课程实施走进生活的灌木林。“回家”的过程其实会有许多新的感觉和想象，也会开始一种新的创造。

基于这样的认识，“文化语文”在实践中重点解决以下问题1)开发课程资源。进行大主题阅读研究和“微型主题文化课程”。大主题阅读是依托现有语文教材，根据大主题进行阅读拓展，同时综合艺术、科学、历史乃至儿童哲学等内容，开展文化语文活动，并要求儿童写出自己的感悟。微型主题文化课，是在现有的语文教材之外，选择中国文学中具有母体色彩的意象，比如《推开窗儿》《蝴蝶翩翩》《牧童短笛》等，精心遴选充满诗情画意的诗文、民歌、对联、成语、农谚、童谣等重组教材。文化语文吸纳一切优秀的现代文明。(2)构建教学模式。以文化为中心，力求五个带入:艺术带入、生活带入、活动带入，情感带入、智慧带入。尝试

语言与文学分家实验，部分语文教材作为语言文字训练材料，增设文学名著导读课、精读欣赏课、大声朗读课、作品推荐课等。把文学作品作为丰富的精神养料，让每一段文字都成为有血有肉的一段段情感。(3)培养文化语文教师是实现文化语文最重要的支撑。我们通过文化阅读、文化沙龙、文化讲坛、文化欣赏、文化创造，培养老师对于美的敏锐感受，对于善的由衷同情，对于他人的理解和尊重，对于自然的热爱与敬畏，对于自己精神与性灵的涵养与守护。

第五篇：商业地产分析方法总结

房地产市场可以分为居住物业市场和非居住物业市场。非居住物业市场是广义上的商业房地产市场；商业房地产市场狭义上指购物中心。由于广义的商业房地产市场包含了：写字楼市场、工业物业市场、购物中心等，这几个子市场差异较大，分析方法也不同，所以本文主要讨论狭义的商业房地产市场——购物中心的市场机会研究方法。

在发达国家购物中心可分为以下几个大类：

区域购物中心（regional mall）：封闭式的建筑，拥有综合性的百货超市。以总租售面积（GLA）可以将区域中心划分为一般区域中心和超区域中心（4.7——18万㎡），车位指数（PI）一般为5.5个/100㎡。业态上浓缩了中央商务区的功能，为顾客提供各种档次的商品；主导商主要为大型百货超市，此外还有各种附属商为顾客提供各种个性化服务。一般区域中心要求服务区内人口规模在15万以上，超区域中心在35万以上。

社区购物中心（community shopping center）:采用开放式的建筑设计，GLA一般在1——4万㎡，车位指数一般为：5个/100㎡，业态上没有大型综合性百货超市，有初级百货超市，日用品超市，平价超市，专卖店等，市场服务区人口规模4——15万。

邻里购物中心（neighborhood shopping center）:GLA一般在0.3——5万㎡之间，车位指数为：5个/100㎡，业态：包括食品、药品、日用杂货等日常生活相关的商品，银行、干洗店等；服务区要求的人口规模一般在2000——4万之间。

此外还有：特色专卖中心(specialty center)，直销中心(outlet center)，平价中心(off-price center)，休闲购物中心(urban entertainment center)，时尚中心(fashion center)，假日中心(festival center)，混合式商务中心(retail uses in mixed-use development)等

在商业房地产市场分析过程中，购物中心类型的选择会对整个分析过程产生较大影响。

一、经典市场研究方法

商业房地产市场分析的主要内容有：需求分析、供给分析。在进行这两项分析之前必须进行购物中心市场服务区（商圈）分析，界定购物中心未来可能覆盖的地理范围。市场服务区（trade area）指一个商业房地产所提供的商业服务（商品服务）的范围，如一个商场商品的主要销售范围。市场服务区的界定方法主要有：同心圆法、行车时间法、路线调查法。购物中心的市场服务区由该中心的类型、规模、业态、周围竞对手状况、人口密度、交通状况等因素所决定，它的边界不一定规则，理想状况是同心圆，实际上则不一定，许多自然地物、道路等都可能成为其边界。界定范围之后需要收集不同服务圈层里的人口规模、居民户数、平均家庭收入、人均收入等数据，这些数据是进行市场分析的基础。

1、市场需求分析主要方法

市场需求分析需要在市场服务区的界定完成的基础上进行，其主要方法有：

比率——人口相乘法：在一个城市区域内商品零售面积的人均需求量的经验值乘以服务区的总人口，从而得出市场需求总量。市场需求潜力 + 调查区现有零售面积 = 总需求量。

如果需求潜力大于零，即存在开发空间，开发可行。

单位零售房地产面积商品零售额比率比较法：首先统计商品服务区内的商品零售总额和零售房产总面积；然后对商品进行分类，统计不同类型商品（家电、汽车等）零售额、零售面积；最后将商品分类统计数据与商品零售总额和零售房产总面积进行比较，可以发现某类商品单位零售面积零售额是否存在不足现象，从而判断市场是否处于饱和状态。

马利兹亚城市商业房产需求预测法：该方法以“长期预测和短期预测都受就业增长直接影响，就业增长快预示商业房产有开发潜力”这一理论假设为前提。马利兹亚模型将众多市场的影响因素分为：经济增长因素（在短期预测中可促进经济增长的因素如：区位优势、就业人口比率等）和经济发展因素（能带动城市区域长远发展的因素如：教育水平、产业多样性等），通过对以上因素的综合分析可以较为宏观的判断一个城市商业房产的开发前景。

房地产开发度指数（power ratio）法：一个大城市区域可以看成一个统一的市场可以进一步划分成若干个二级市场，二级市场间存在着投资竞争，通过对竞争的分析可以找出各个二级市场的商业房地产市场投资饱和状况，该状况决定了某个二级市场取是否有商业房产开发潜力。房地产开发度指数法通过对城市市场区零售房产总面积、单元区零售房产总面积、城市平均家庭收入、单元区平均家庭收入等数据的分析可以具体得出某一单元区的商业房产需求量。

2、经典研究方法的分析步骤

1)确定购物中心类型

2)研究购物中心商品服务范围（街道、城市、地区）

3)调查在服务区范围内现有该种类型购物中心的商业楼面，包括已经出租的楼面、控制楼面的总量；调查服务区范围内的人口统计，居民收入和消费状况及单位楼面的租（售）价格

4)研究人口统计数据和经济状况，分析商品服务区内可以支撑的总的商业楼面面积

5)比较服务区现有的商业楼面与该商品服务区可支撑的总的商业楼面之间的差异，从而发现商业房产的开发潜力

6)根据商品服务区外具体情况的研究对上述开发潜力作进一步修正

发达国家成熟的房地产市场信息较为全面，城市区域经济数据获得相对较容易，因此商业房地产市场分析的经典方法可以得到较好的运用。但是在界定购物中心的类型等环节时，市场研究人员的商业经验仍然有重要作用，在市场分析过程中市场分析人员的主观判断仍是不可缺少的。特别是在休闲娱乐中心的定位上市场分析过程更多的表现为一种艺术，而不是一种技术。此外在国内现阶段房地产市场不健全，宏观经济数据不准确、针对性不强，微观区域经济数据缺乏的情况下，我们必须结合现实条件创造性的应用商业房地产经典市场分析方法。