9981回归方案.doc

预测模型 预测模型概述 如何建立回归模型 特殊的回归模型 软件—EViews 一、预测模型概述 模型功能：根据已知信息推测未知信息 模型原理： 1．假设未来与过去的变化趋势相同，所以可以用已知趋势推测未来——趋势预测。 模型：时间序列模型、灰色预测系统、马尔科夫过程等。 2．假设预测期内变量之间的相互关系与样本期相同，所以可以用已知关系推测未来——因果预测。 模型：回归模型、马尔科夫模型、灰色系统模型等。 模型要求： 趋势预测模型——准确描述预测变量的变化趋势 回归预测模型——准确描述预测变量与影响因素之间的关系 线性关系： 模型的函数形式正确； 模型包含了影响y变化的（所有）主要因素； ——模型的预测能力 模型中的每个因素对y都有重要影响。 二、如何建立回归模型 1．函数形式的确定 步骤： 绘制散点图（XY相关图），观察相关类型；—— SCAT命令 选择不同模型拟合数据； —— LS命令 比较不同模型的整体拟合情况； —— 判定系数R2 比较不同模型的近期拟合情况； —— 残差图 可供选择的模型： 线性模型： 双对数模型： -幂函数 对数模型： 指数模型： 二次函数： 双曲函数模型： ，， 【】（1）绘制相关图： SCAT X Y （2）建立模型： 线性： LS Y C X （3）比较不同模型的整体拟合情况 模型 命令 R2 /A.R2 线性 LS Y C X 0.98268 对数 LS Y C log(X) 0.88689 指数 LS log(Y) C X 0.98412 0.98279 双对数 LS log(Y) C log(X) 0.97363 二次函数 LS Y C X X^2 0.99176 0.99026 （4）比较不同模型的近期拟合情况 所以，最终预测模型为： R2=0.9841 F=743.57 SE=0.0693 或将模型还原成： y=1823.66x0.0000207 预测：键入命令： （1）点击FORCAST按钮 （2）选择变量名为YF （3）PLOT Y YF 2．多元回归模型中变量影响的显著性分析 【】 模型1： 模型2：√ 问题：模型中所有变量对Y是否都有显著影响？ 变量的显著性检验： H0：bi = 0 H1：bi ≠ 0 i = 1,2,3 检验统计量： 当 时，拒绝H0，即认为xi对Y的影响显著；否则，则认为xi对Y无影响显著，应该从模型中剔除而重新建立模型。 实际应用中，是根据t统计量的伴随概率p是否0.05（或0.01）进行判断：若p0.05，则有，xi对Y的影响显著。 另：t统计量值越大，表明该变量的影响越大。 3．预测误差的评价 均方误差： RMS = 相对均方误差：RMSP = 平均绝对误差：MAE = 平均相对误差：MAPE = Theil不等系数：U =BP+VP+CP=偏差率+方差率+协变率 （ RMS2 = ） 三、特殊的回归模型 1．逐步回归——处理模型中的多重共线性问题 2．主成分回归——处理模型中的多重共线性问题 3．分类数据回归——分析属性数据的影响因素 4．Panel Data模型——处理连续观察的截面数据模型 逐步回归模型 【 x2 x3 x4 1 x3 0.0064 0.99548 0.99473 2 x3，x1 0.0029 (4.43) 0.0056 (28.33) 0.99908 0.99872 3 x3，x2 0.0012 (4.15) 0.0045 (9.29) 0.99898 0.99857 4 x3，x4 0.0045 (0.97) 0.0013 (0.42) 0.99564 0.99389 5 x1，x2 -0.0062 (-1.78) 0.0048 (7.74) 0.98860 0.98405 6 x1，x4 0.0024 (1.97) 0.0038 (15.77) 0.99708 0.99592 7 x2，x4 0.0011 (2.47) 0.0030 (5.91) 0.99767 0.99674 8 x3，x1，x2 0.0017 (1.18) 0.0006 (0.92) 0.0051 (7.51) 0.99925 0.99868 9 x3，x1，x4 0.0032 (4.35) 0.0077 (3.37) -0.0014 (-0.90) 0.99924 0.99867 10 x1，x2，x4 0.0003 (0.12) 0.0010