第6章 趋势外推预测法.pptVIP

用最小二乘法进行参数的估计： 【例6-9】 某家电企业2000-2010年销售额如表6-7所示，试用加权拟合直线法预测2011年的销售额。 x=1:11 y=[156 210 320 390 430 480 560 620 700 760 850] plot(x,y,o-) k=0.7; a11=sum([k.^(0:10)]) a12=sum([k.^(0:10)].*[x(11:-1:1)]) a21=a12 a22=sum([k.^(0:10)].*[x(11:-1:1).^2]) b1=sum([k.^(0:10)].*[y(11:-1:1)]) b2=sum([k.^(0:10)].*[x(11:-1:1).*y(11:-1:1)]) A=[a11 a12;a21 a22] B=[b1;b2] X=inv(A)*B x=12 %预测2011年销售额 y2011=X(1)+X(2)*x 850 760 700 620 560 480 430 390 320 210 156 销售额 2010 2009 2008 2007 2006 2005 2004 2003 2002 2001 2000 年份 6.6 非线性回归法 6.6.1 非线性模型的线性化 对非线性曲线函数 作变换 化为一元线性函数 使用最小二乘法估计其参数a和b，然后再还原为x、y的函数关系 （1）直接换元型 通过简单的变量换元直接化为线性回归模型，由于这类模型的被解释变量没有变形，因此可以直接用最小二乘法估计回归系数，并进行检验和预测 双曲线模型 倒幂函数模型 对数曲线模型 S型曲线模型 （2）间接代换型 通过对数变形的代换，间接化为线性回归模型，由于在对数变形代换过程中，改变了被解释变量的形态，使最小二乘法估计失去了原模型的残差平方和为最小的意义，估计不到原模型的最佳回归系数，从而造成了回归模型与原数列之间出现较大误差。 指数曲线模型 倒指数曲线 幂函数曲线 【例6-10】 已知某商店2000—2009年的商品流通费用率和商品零售额的资料如表6-8所示。若2010年该商店的商品零售额预计为800万元，试预测这一年商品流通费用额是多少？ 1）画散点图直观选择曲线 y=[10 9.2 8.5 7.8 7.3 6.9 6.6 6.2 6.1 6] x=[160 200 280 340 400 460 520 600 700 760] plot(x,y,o) 760 700 600 520 460 400 340 280 200 160 零售额（万元） 6 6.1 6.2 6.6 6.9 7.3 7.8 8.5 9.2 10 流通费用率（%） 2009 2008 2007 2006 2005 2004 2003 2002 2001 2000 年份 从散点图图6-22可知，初步判断可用幂函数曲线模型： （2）线性化变换及回归 v=log(y) u=log(x) U=[ones(size(u)) u]; [b,bint,r,rint,stats]=regress(v,U) （3）预测及模型系数还原 x1=800 u1=log(x1) V=[ones(size(u1)) u1]*b %2010流通费用率预测值 Y=exp(V) %还原2010流通费用率预测值 A=exp(b(1)) %还原模型系数a B=b(2) %还原模型系数b z=x1*Y/100 %2010流通费用额预测值 6.6.2 非线性回归命令法 （1）确定回归系数的命令 [beta，r，J]=nlinfit（x，y，’model’, beta0） 输入变量：x、y分别为矩阵和n维列向量，对一元非线性回归，x为n维列向量； model：是事先用m-文件定义的非线性函数； beta0：回归系数的初值。 输出变量：beta：估计出的回归系数；r：残差； J：Jacobian矩阵。 (2）回归系数beta的置信区间 ci=nlparci(beta,r,J) （3）预测和预测误差估计 [Y，DELTA]=nlpredci（’model’, x，beta，r，J） 求nlinfit所得的回归函数在x处的预测值Y及预测值的显著性为1-alpha的置信区间Y±D