在任何型態的迴歸分析中其隨機誤差之間應相互獨立，若誤差不為獨立的隨機變數則會在估計函數時會產生偏誤、降低統計推論的效能。然而，不論在近代的生醫工程、地球科學、軍事或是財經等方面卻經常碰到隨機誤差之間具不獨立的現象。
我們可知這類誤差具相依性的觀測值，不論是用線性迴歸、Curve Fitting或Smoothing Spline等方法都會產生偏誤的問題。該如何找出簡易的方法使能快速地解決這問題是本文主要研究的課題。
　　根據經驗模態分解法(Empirical Mode Decomposition，EMD)的特性，我們預想其亦可將隨機誤差之間為不獨立的數據經EMD分解得其IMFs和Trend，再依據模型選取理論，挑選適當的分量組合作為新觀測值。藉此，適當地剔除一些雜訊，我們預估可將原始的數據內的相依性現象一併消除，並改善原先偏誤的問題。

[1] Green, P. J. and Silverman, B. W. (1994) “Nonparametric Regression and Generalized Linear Models: a Roughness Penalty Approach”,Chapman and Hall,London.　| ISBN-10: 0412300400
[2] Lin, X. ,Wang, N. , Welsh, A. and Carroll, R. (2004) “Equivalent kernels of smoothing splines in nonparametric regression for clustered/longitudinal data”,Biometrika,91,177-193.
[3] Box, G. E. P. and Jenkins, G. M. (1976) “Time Series Analysis : Forecasting and Control”,San Francisco : Holden-Day.　| ISBN-13: 978-0816211043
[4] Akaike, H. (1974) “A New Look at Statistical Model Identification”,IEEE Transactions on Automatic Control ,19, 716–723.
[5] Schwarz, G. (1978) “Estimating the Model dimension of a model”,Annals of Statistics,Vol.6,No.2,461–464.
[6] Shibata, R. (1980) “Asymptotically efficient selection of the order of the model for estimating parameters of a linear process”,Annals of Statistics,8,
147-164.
[7] Huang, N.E. ,Shen, Z. ,Long , S.R. , Wu, M.L. ,Shih, H.H. ,Zheng , Q. ,
Yen, N.C. ,Tung, C.C. and Liu, H.H. (1998) “The empirical mode decomposition and Hilbert spectrum for nonlinear and non-stationary time series analysis”,Proc. Roy. Soc ,London A ,Vol. 454,903–995.