市场调查与预测第八章回归分析预测方法.ppt

三、多元线性回归模型的矩阵法 与一元回归模型相似，多元回归模型的预测值和预测区间计算步骤如下： 1．计算估计标准误差 2．设预测点为X0(X01, X02,?…, X0m)，则预测值为： 预测误差 的样本方差为： 3．当预测值 的显著性水平为?时，多元线性回归模型的预测区间为： 第四节 回归分析中的非线性问题 1．三角函数 2．指数函数 3．幂函数 4．双曲函数 5．对数函数 第八章 回归分析预测方法 第一节 回归分析预测法概述 一、“回归”的含义 回归是研究自变量与因变量之间的关系形式的分析方法。 其目的在于根据已知自变量来估计和预测因变量的总平均值。 二、相关变量间的关系 1．相关关系的概念 现实世界中，每一事物的运动都是和它周围的事物互相联系、互相影响着的。 因此，反映客观事物运动的各种变量之间也就存在着一定的关系。 （1）函数关系。它反映着现象之间存在着严格的依存关系。 （2）相关关系。它反映着现象之间存在着非严格的、不确定的依存关系。 2．回归分析与相关分析 回归分析与相关分析均为研究及测度两个或两个以上变量之间关系的方法。 相关分析，是研究两个或两个以上随机变量之间相互依存关系的紧密程度。 直线相关时用相关系数表示，曲线相关时用相关指数表示，多元相关时用复相关系数表示。 回归分析，是研究某一随机变量（因变量）与其他一个或几个普通变量（自变量）之间的数量变动的关系。 三、回归模型的类型 回归模型可以从不同的角度进行分类，常用的分类如下： （1）根据回归模型自变量的多少，回归模型可分为一元回归模型和多元回归模型。 （2）根据回归模型是否呈线性，回归模型可分为线性回归模型和非线性回归模型。 （3）根据回归模型是否带虚拟变量，回归模型可分为普通回归模型和带虚拟变量回归模型。 第二节 一元线性回归预测方法 一元线性回归预测法，是指两个具有线性关系的变量，配合线性回归模型，根据自变量的变动来预测因变量平均发展趋势的方法。 一、一元线性回归模型 设x为自变量，y为因变量，y与x之间存在某种线性关系，即一元线性回归模型为： yi=a+bxi+?i i=1, 2, …, n （8-1） 二、回归系数估计 估计模型的回归系数有许多方法，其中使用最广泛的是最小平方法（Ordinary Least Square）。 最小平方法的中心思想是，通过数学模型，拟合一条较为理想的趋势线。 这条趋势线必须满足下列两点要求： （1）原数列的观察值与模型的估计值的离差平方和为最小； （2）原数列的观察值与模型的估计值的离差总和为零。 三、回归模型检验 1．离差平方和的分解 在一元线性回归模型中，观察值yi的取值大小是上下波动的，这种波动现象称为变差。 2．可决系数R2 可决系数R2的大小表明了在y的总变差中由自变量x变动所引起的百分比，它是评价两个变量之间线性相关关系强弱的一个重要指标。 3．相关系数R 相关系数是可决系数的平方根，它是一元线性回归模型中用来衡量两个变量之间相关程度的重要指标。 相关系数有两种定义： （1）根据总变差定义。 （2）根据积差法定义。 四、预测区间估计 1．回归系数 的统计性质 2．点估计值 的统计性质 3．总体方差 的无偏估计量 4．预测值和预测区间 五、应用举例 第三节 多元线性回归预测方法 一、多元线性回归模型的建立 设所研究的对象受多个因素x1, x2,…, xm的影响，假定各个影响因素与y的关系是线性的，这时就需要建立多元线性回归模型： 1．OLS估计 2．回归系数 的统计性质 （1）回归系数 的数学期望 （2）回归系数 的协方差 二、多元线性回归模型的统计检验 1．R检验 R检验是通过复相关系数检验一组自变量x1,?x2,…,?xm与因变量y之间的线性相关程度的方法，又称复相关系数检验法。 2．F检验 F检验是通过F统计量检验假设H0： 是否成立。 （1）F统计量 （2）F统计量与可决系数、相关系数的关系 3．t检验 t检验则是通过t统计量对所求回归模型的每 一个系数逐一进行检验假设H0: =0（j=1,?2,…,?m）是否成立的方法。 （1）t统计量 （2）t检验的步骤 ① 计算估计标准误差。 ② 计算样本标准差。 ③ 计算t统计量。 ④ 建立假设。 4．DW检验 （1）序列相关的概念及对回归模型的影响。 ① 估计标准误差S可能严