基本预测技术BasicEstimationTechniques.pptVIP

Chapter 4 基本预测技术 Basic Estimation Techniques 真实的变量关系 用一个线性方程（我们称之为真实的回归直线）将因变量Y与一个独立的解释变量X联系起来： Y=a+bX 式中 a —— Y轴上的截距； b —— 回归线的斜率 （ΔY/ΔX）。 回归线表示了变量X的每个值对应Y的平均（或期望）值。 拟合的变量关系 估计真实回归线的参数值等价于在样本数据散点图中对数据点进行拟合。用最小二乘法找到的样本回归线使对样本拟合得最好的直线： 式中， 和 是对真实（总体）参数a和b用最小二乘法估计出的值。 样本回归线是对真实回归线的估计。 样本回归直线 普通的最小二乘法: 假设 求解方法 误差项具有为零的平均数和一个有限方差 因变量是随机的 自变量确实是独立变化的 各种电子表格 统计专用计算器 统计软件（Minitab, SAS, SPSS） Excel, Lotus, Quatro Pro, Joe Spreadsheet Excel中的工具/数据分析 Lotus中的数据/回归分析 回归方程的评估 评估方法 显著性检验 真实的变量关系Y=a+bX中，如果b=0，则X与Y没有关系。 拟合的变量关系 中，计算出的 一般不等于0。 为了保证结论的可靠，需要进行显著性检验。 检验依据：小概率事件一次出现不大可能。 双边检验和单边检验 统计显著性检验 为了检验估计参数的统计显著性，需要计算t比或者p值： 两类错误 第I类错误： 拒真 真实的b＝0，但是你认为b≠0 第II类错误：纳伪 真实的b≠0 ，但是你认为b＝0 “足够的置信度” “足够的置信度” 例子：研发费用与公司的价值 例子：研发费用与公司的价值 结论 公司总价值的变化有53%可以用研发费用的差别来解释。 我们有大于99%的把握认为研发费用对公司的价值有影响。 公司的研发费用每增加1%，公司价值（用市盈率衡量）上升0.74。 例子：SLM公司产品的质量控制 例子：SLM公司产品的质量控制 结论 回归方程解释了退货数量（F）总变化的45%部分，而没能解释其余的55%部分。 有大于99％的把握认为检查的小时数确实影响退货的数量。 完全不检查，每周被退货的数目平均是90个；而每周增加1个小时的检查，可以使得退货的数目减少0.8个。 多元回归模型 多元回归的例子：汽车保险费与赔偿金额 多元回归的例子：汽车保险费与赔偿金额 结论 保险费（P）的变化中有91%可以用赔偿金额（C）和年保险费（N）来解释。对这一点，F检验能够提供更多的证据。 其它条件不变，赔偿率每上升一个百分点，保险费平均上升$11.32。 其它条件不变，赔偿金额每增加$1，保险费平均上升$0.01155。 非线性回归分析 二次回归模型 Y=a+bX+cX2 令Z=X2 回归方程变为 Y=a+bX+cZ 这样就可以用线性回归的方法来进行估计了。 二次回归模型 对数－线性回归模型 对数－线性回归模型 对数－线性回归模型 管理决策中的回归分析 回归分析是十分有用的，它也不像它的名字看起来那样难。 计算机是工具，而不是主人。 回归分析过程： 建立一个回归模型，然后用现成的软件进行估计。 用回归结果来解释企业管理者感兴趣的经济问题。 0.0001 -8.73 0.11 -0.96 LNX 0.0001 23.04 0.48 11.06 INTERCEPT P-VALUE T-RATIO STANDARD ERROR PARAMETER ESTIMATE VARIABLE 0.0001 70.0 0.8750 OBSERVIATIONS:12 P-VALUE ON F F-RATIO R-SQUARE DEPENDENT VARIABLE:LNY 结论：X每增加1%，Y减少0.96% * * 管理人员进行决策，必须要掌握构成各种函数的变量之间的数量关系。确定变量之间具体数量关系的就是参数，如果总成本(C)与生产量(Q)之间的关系如下 C= a +bQ +cQ2 +dQ3 那么a,b,c和d就是成本方程的参数。一旦参数确定，就可以计算出不同产量下的总成本。 寻找一个方程的参数值的过程就叫作参数估计，最常用的一种估计参数方法就是回归分析。回归分析是使用经济变量的数据来确定说明经济变量关系的数学方程。 例: 一个假设的回归模型 3000 4000 9000 10000 30000 25000 55000 广告支出 （月） 销售额(月) 真实的回归直线：反映销售额与广告支出之间的关系 真实的回归直线 S=10000+5A 用历史数据