年份	消费价格指数CPI X1（以1978年为100）	人均可支配收入 X2（元）	上年人均消费支出 X3（元）	人均消费支出 Y（元）
1993	273.100	2577.400	1671.730	2110.810
1994	339.000	3496.200	2110.810	2851.340
1995	396.900	4283.000	2851.340	3537.570
1996	429.900	4838.900	3537.570	3919.470
1997	441.900	5160.300	3919.470	4185.640
1998	438.400	5425.100	4185.640	4331.600
1999	432.200	5854.020	4331.600	4615.900
2000	434.000	6280.000	4615.900	4998.000
2001	437.000	6859.600	4998.000	5309.000
2002	433.500	7702.800	5309.000	6029.880
2003	438.700	8472.200	6029.880	6510.940
2004	455.800	9421.600	6510.940	7182.100
2005	464.000	10493.000	7182.100	7942.880
2006	471.000	11759.500	7942.880	8696.550
2007	493.600	13785.800	8696.550	9997.470

回归方程：
Y1:=log(Y);
X1:=log(X);
return Regression(Y1,X1);
注：根据Hypothesis,0表示显著,1表示不显著,则T检验最后一个变量通不过！

return Regress_VIF(x1); // array("VIF":(7.83,66.409,95.241),"Cond":269.959)
注：当VIF>10或Cond>30时，认为存在严重的多重共线性,第1,2个变量存在严重多重共线性,?第1,2个变量影响是相似的,则可以降维减少特征数量。
return Regress_Stepwise(Y1,X1,0.05,0.1)//逐步回归选取第0,1个解释变量
逐步回归结果：
x:=x[:,0:1];
return Regress_NLM('Demo_Regress_NLM_CallBack',x,y,array(-0.2,0.2,0.8));或
return Regress_NLM('Demo_Regress_NLM_CallBack',x,y, array(-0.1,0.2,0.9));
其中Demo_Regress_NLM_CallBack函数
Function Demo_Regress_NLM_CallBack(beta,x);
Begin
  return beta[0]*(x[0]^beta[1])*(x[1]^beta[2]);
End;
结果都是：

估计参数残差序列雅克比矩阵（解释变量）可决系数拟合值拟合值和实际值的比较Regress_CMLS Regression Regress_Binary