岭回归分析实际上是一种改良的最小二乘法，是一种专门用于共线性数据分析的有偏估计回归方法。想法的提出也比较自然，当时，我们设想给加上一个正常数矩阵，那么接近奇异的可能性就会比接近奇异的可能性小得多，因此用
(7.29)
  为的估计应比最小二乘估计稳定，我们称(7.29)式为的岭回归估计，称为岭参数。显然当时，（3-14）就是普通的最小二乘估计。
  首先对解释变量数据进行Z分数标准化得，解方程得到的就是标准化后的解释变量对被解释变量的岭估计，其中为（解释变量个数）单位阵，阶0向量。
(7.30)
  选取K值的方法有很多种，这里简单介绍两种，第一种适合用户画出岭迹图后判断，而第二种Tinysoft金融分析平台已经编程实现。
    1)岭迹法：
  各回归系数的岭估计基本稳定；
  用最小二乘估计时符号不合理的回归系数，其岭回归的符号将变得合理；
  回归系数没有不合乎经济意义的绝对值；
  残差平方和增大不太多。
    2)方差扩大因子法
  方差扩大因子也度量了多重共线性的严重程度，我们说一般当时，模型就有严重的多重共线性。
(7.31)
  其对角元为岭估计的方差扩大因子。不难看出，随的增加而减少。应用方差因子扩大法选择的经验做法是：选择使所有的方差扩大因子，当时，所对应的值的岭估计就会相对稳定。

岭回归模型：Regress_Ridge