数学建模之统计回归模型解析.doc

数学建模大作业 统计回归模型 摘要 某公司想用全行业的销售额作为自变量来预测公司的销售额，题目给出了1977—1981此公司的销售额和行业销售额的分季度数据表格。通过对所给数据的简单分析，我们可以看出：此公司的销售额有随着行业销售额的增加而增加的趋势，为了更加精确的分析题目所给的数据，得出科学的结论，从而达到合理预测的目的。我们使用时间序列分析法，参照课本统计回归模型例4，做出了如下的统计回归模型。 在问题一中，我们使用MATLB数学软件，画出了数据的散点图，通过观察散点图，发现公司的销售额和行业销售额之间有很强的线性关系，于是我们用线性回归模型去拟合，发现有很好的拟合性。但是这种情况下，并没有考虑到数据的自相关性，所以我们做了下面几个问题的分析来对这个数学模型进行优化。 在问题二中，通过建立了公司销售额对全行业销售额的回归模型，并使用DW检测诊断随机误差项的自相关性。通过计算和查DW表比较后发现随即误差存在正自相关，也就是说前面的模型有一定的局限性，预测结果存在一定的偏差，还有需要改进的地方。 在问题三中，因为在问题二中得出随即误差存在正自相关，为了消除随机误差的自相关性，我们建立了一个加入自相关后的回归模型。并对其作出了分析和验证，我们发现加入自相关后的回归模型更加合理。通过使用我们建立的模型对公司的销售额进行预测，发现和实际的销售额很接近，也就是说模型效果还不错。 关键词：销售额、回归模型、自相关性 一、问题提出 某公司想用全行业的销售额作为自变量来预测公司的销售额，下表给出了1977-1981年公司销售额和行业销售额的分季度数据（单位：百万元）. 画出数据的散点图，观察用线性回归模型拟合是否合适。 监理公司销售额对全行业销售额的回归模型，并用DW检验诊断随机误差项的自相关性。 建立消除了随机误差项自相关性后的回归模型。 年 季 公司销售额 行业销售额 年 季 公司销售额 行业销售额 1977 1978 1979 1 2 3 4 1 2 3 4 1 2 1 2 3 4 5 6 7 8 9 10 20.96 21.40 21.96 21.52 22.39 22.76 23.48 23.66 24.10 24.01 127.3 130.0 132.7 129.4 135.0 137.1 141.2 142.8 145.5 145.3 1979 1980 1981 3 4 1 2 3 4 1 2 3 4 11 12 13 14 15 16 17 18 19 20 24.54 24.30 25.00 25.64 26.36 26.98 27.52 27.78 28.24 28.78 148.3 146.6 150.2 153.1 157.3 160.7 164.2 165.6 168.7 171.7 二、基本假设 假设一：模型中ε（对时间t）相互独立。 三、符号说明 公司销售额：（百万） 行业销售额：（百万） 概念介绍： 1.自相关：自相关（auto correlation），又称序列相关（serial correlation））=1-α，α=0.1或0.05，则称区间[a,b]为的置信度为1-α的置信区间。 3.时间序列：时间序列法是一种定量预测方法，亦称简单外延方法。 四、问题分析 问题一：表中的数据是以时间为顺序的。由于前期的销售额对后期的投资一般有明显的影响，从而对后期的后期的销售额造成影响。因此在此模型中应考虑到存在自相关，我们可以先建立基本的回归模型，然后再进行自相关性诊断，并建立新的回归模型。 问题二：在问题一之后，就可以接着求出问题二，然后利用DW检验诊断随机误差项的自相关性。 问题三：进行了自相关诊断后，将自相关加入模型中，建立消除了随机误差项自相关性的回归模型。 五、模型的建立与求解 5.1 问题一 5.1.1 问题一的分析 表中数据是以时间为序的，建立基本的回归模型。 5.1.2 问题一模型的建立 基本回归模型： 设该公司第时间的公司销售额为，行业销售额为 。为了大致分析和的关系，首先利用表中的数据作出对关系作出散点图，如下（见图中的“+”）：做散点图： 可以看出，随着行业销售额的增加，公司销售额增大，而且两者有很强的线性关系，图中的直线说明两者呈线性模型，因此本题用线性回归模型拟合非常合适。 5.2 问题二 5.2.1 问题二的分析 从问题一中的图形可以看出，随着行业销售额的增加，公司销售额增大，而且两者有很强的线性关系，图中的直线说明两者呈线性模型，因此可建立一元线性回归模型。 5.2.2 问题二模型的建立 由题意建立一元线性回归模型