数据举例探讨.ppt

(4) 分析结果的意义 总结：时间序列数据的独特性 （1）序列相关性， 单位根检验 （2）今天决策对明天的影响，变量滞后的影响 2、练习：网站质量与公司价值 网站质量指标： 国内的访问量排名alexa trafic rank(China) 声誉指数reputation ※到达率Reach%：用户数 ※平均下载时间average load time(second)：服务速度 ※平均每用户访问页面数page viewer/users：内容质量 ※退出率bounce rate：问题页面 ※网站停留时间time on site：网站吸引力 ※搜索来源用户比例search visits：依赖搜索引擎程度 课程作业 1 搜房网 2 腾讯 3 网易 4 携程网 5 新浪 5位 同学 参与 * * * * * * 快读略过 * 序列相关性，特点：1、针对时间序列数据，2、指时间序列数据存在前后的相互影响关系 * 时间序列分析和Eviews 李小玲 电子商务教研室 目标 根据历史销售数据,估计未来的销售数据 根据以往营销策略(广告, 促销), 研发投入, 分析市场表现与这些策略的关系 根据商家的产品销售, 用户评价, 商品周转率,评估商家竞争质量 共同点: 根据时间点建立起来的样本集 主流的分析方法: 回归模型 描述因变量 y 如何依赖于自变量 x 和误差项? 的方程称为回归模型 一元线性回归模型可表示为 y = b0 + b1 x + e y 是 x 的线性函数(部分)加上误差项 线性部分反映了由于 x 的变化而引起的 y 的变化 误差项 ? 是随机变量 反映了除 x 和 y 之间的线性关系之外的随机因素对 y 的影响 是不能由 x 和 y 之间的线性关系所解释的变异性 ?0 和 ?1 称为模型的参数 最小二乘估计 使因变量的观察值与估计值之间的离差平方和达到最小来求得 和 的方法。即 用最小二乘法拟合的直线来代表x与y之间的关系与实际数据的误差比其他任何直线都小 变差的分解(图示) x y y { } } ? 预测值解释了平均值的程度 真实值和平均值的差异 判定系数r2  (coefficient of determination) 回归平方和占总离差平方和的比例 反映回归直线的拟合程度 取值范围在 [ 0 , 1 ] 之间 R2 ?1，说明回归方程拟合的越好；R2?0，说明回归方程拟合的越差 判定系数等于相关系数的平方，即R2＝(r)2 模型整体线性关系的检验 (检验的步骤) 提出假设 H0：?1=0 线性关系不显著 2. 计算检验统计量F 确定显著性水平?，并根据分子自由度1和分母自由度n-2找出临界值F ? 作出决策：若FF ?,拒绝H0；若FF ?,不能拒绝H0 得到输出结果 P0.05 如果样本太少，p0.1 * 基本假定： 序列相关及其检验 如果线性回归方程的扰动项ut 满足古典回归假设，样本的误差项是独立的。 使用OLS所得到的估计量是线性无偏最优的。 但是如果扰动项ut不满足古典回归假设，回归方程的估计结果会发生怎样的变化呢？ * 如果回归方程的扰动项存在序列相关，那么应用最小二乘法得到的参数估计量的方差将被高估或者低估。因此，检验参数显著性水平的t统计量将不再可信。可以将序列相关可能引起的后果归纳为： ② 使用OLS公式计算出的标准差不正确，相应的显著性水平的检验不再可信 ； ③ 回归得到的参数估计量的显著性水平的检验不再可信。 ① 在线性估计中OLS估计量不再是有效的； * 序列相关及其产生的后果 对于线性回归模型 (4.1.1) 随机扰动项之间不相关，即无序列相关的基本假设为 (4.1.2) 如果扰动项序列ut表现为： (4.1.3) 即对于不同的样本点，随机扰动项之间不再是完全相互独立的，而是存在某种相关性，则认为出现了 序列相关性(serial correlation)。