某公司营销支出与销售量回归分析.docVIP

某公司营销支出与销售量回归分析 2010年9月24日 原始数据 如表1所示，为某公司9年的营销支出与销售量数据： 表1某公司9年的营销支出与销售量 序号 营销支出 MP （百万元） 销售量 Q （百万件） 1 1 4 2 2 6 3 4 8 4 8 14 5 6 12 6 5 10 7 8 16 8 9 16 9 7 12 根据上表中的数据，做出散点图，如图1所示。 图1散点图 从图1我们不能马上根据专业知识或是测量数据本身的特点确定一种最佳模型，故我们利用曲线估计在11种不同的曲线回归模型中选择建立一个简单而又比较合适的模型。 曲线回归分析 操作步骤 将营销支出变量命名为MP，销售量命名为Q，并输入给出的9组数据。 按分析→回归→曲线估计顺序打开主对话框。选择变量Q为因变量，MP 作为自变量。 在Model框中依次选择11种模型：线性、二次项、复合、增长、对数、 立方、S、指数分布、逆模型、幂、Logistic。各种拟合模型的拟合公式如表2所示。 表2不同模型的表示 序号 模型名称 回归方程 1 线性 Y=b0+b1*t 2 二次项 Y=b0+b1*t+b2*t2 3 复合 Y=b0*b1^t 4 增长 Y=e^(b0+b1*t) 5 对数 Y=b0+b1*ln(t) 6 立方 Y=b0+b1*t+b2*t2+b3*t3 7 S Y=e^(b0+b1/t) 8 指数分布 Y=b0*e^(b1*t) 9 逆模型 Y=b0+b1/t 10 幂 Y=b0*t^b1 11 Logisitic Y=1/((1/u)+b0*(b1^t))(其中u为函数的上限) 选中显示ANOVA表格，选择此选项会在最终结果中显示回归平方和、剩 余平方和、自由度、拟合方程的常数和系数等。 结果分析 点击确定后，运行得到了各个模型拟合的拟合效果。包括F检验、R2检验等检验效果，各个方程的常数项、变量系数、原始数据曲线和拟合曲线。各个模型的R2值、F值和拟合方程如表3所示。 表3拟合结果 序号 模型名称 R2 F值 拟合方程 1 线性 0.971 233.256 Q=2.536+1.504*MP 2 二次项 0.972 102.835 Q=2.879+1.310*MP+0.019*MP2 3 复合 0.957 156.259 Q=3.992*1.179^MP 4 增长 0.957 156.259 Q=e^(1.384+0.156MP) 5 对数 0.886 54.501 Q=2.577+5.428*ln(MP) 6 立方 0.972 57.147 Q=2.816+1.373*MP+0.004*MP2+0.001*MP3 7 S 0.854 41.004 Q=e^(2.736-1.491/MP) 8 指数分布 0.957 156.259 Q=3.992*e^(0.165MP) 9 逆模型 0.697 16.097 Q=14.434-12.175/MP 10 幂 0.973 256.086 Q=3.812*MP^0.629 11 Logisitic 0.957 156.259 Q=1/((1/u)+0.250*(0.848^t)) 11中模型的图形如图2、图3所示。 图2模型曲线图 图3模型曲线图 从方差分析（ANOVA）的结果可知除了逆模型，即倒数的P值为0.005外，其他的模型显著水平均小于0.001。故可知其余的10个模型均有统计意义。 统计量对比分析： 比较R2值。由于11种模型对应的自由度均相同（k=2），故比较R2等同 于比较校正R2（）。从表3拟合结果可知，幂模型的R2=0.973最大；二次模型和三次模型次之，R2值均为0.972；线性模型的R2=0.971；倒数模型的R2=0.697最小。由此可以判断，拟合最好的是幂模型。 除了逆模型的P值=0.005外，其余10种模型的P值均小于0.001，因此 比较F值。从表3拟合结果可知，幂模型的F=256.086最大；线性模型次之，F=233.256。 通过以上判断可得出拟合效果最好的模型为幂模型：。拟合曲线如图4所示。 图4幂模型拟合曲线 线性加权回归分析 加权最小二乘法（WLS）实际上是在回归计算过程中按观测量方差的倒数加权，这样就会降低具有较大方差的观测量对分析过程的影响。 操作步骤 按分析→回归→权重估计（WLS）顺序打开主对话框。选择变量Q为因变 量，MP作为自变量，将MP作为加权变量。 设置加权的指数值，初始值为-2，结束值为2，步长为0.1。 点击确定，提交运算。 结果分析 点击确定后，运行得到了线性加权回归分析结果。包括F检验、R2检验等检验效果，各个方程的常数项、