第九讲（）回归分析ppt课件.pptVIP

多元线性回归模型 我们的目标是选择b0， b1，…， bk的值，使得残差最小，即 最小化，也可以写为残差平方和的形式： 多元线性回归模型的数据由n个观测值构成： （x1,y1）, （x2,y2）,…, （xn,yn） 回归系数是b0， b1，…， bk 因变量的估计值或预测值是： 残差值是： 残差值的平方和： “最佳”回归直线就是选择b0， b1，…， bk使残差平方 和最小的直线 用Excel 求解产品销售额预测 通过Excel软件求解（具体的求解过程见下一节），我们可以得到： 回归系数 数值 B0 65.705 B1 48.979 B2 59.654 B3 -1.838 回归模型的计算机输出结果的解释 用Excel 求解产品销售额预测 回归模型的计算机输出结果的解释 回归系数 标准误差 自由度 回归系数的标准误差和置信区间 t-统计值 R2 其它输出结果 本讲小结 一元线性回归模型 多元线性回归模型 用Excel求解 作业及案例分析 作业及案例 （1）P303: (a) （2）P321: 第1题 下一讲内容 内容：回归模型（二） 阅读：阅读课本第6章 管理模型 董纪昌 中科院研究生院管理学院 2009.10 管理模型 回归模型（一） Session Topic 基于简单线性回归模型的预测 基于多元线性回归模型的预测 回归模型的计算机输出结果的解释 基于简单线性回归模型的预测 回归分析简介 一个管理者必须具备洞察商务数据的趋势以及基于这种趋势进行精确预测的能力 营销和生产部门经理经常需要根据经营的历史数据，预测销售额、盈利、成本、生产水平、存货、购买、资本需求等 财务部门经理经常根据以往的数据特征和相关金融工具价格走势，预测金融工具的价格走势 回归分析简介 回归分析（Regression Analysis）的目的主要是用于预测 回归分析模型是基于独立变量（ independent ）或解释变量（explanatory）用来预测依赖变量dependent）或反应变量（response）的值 广告支出的销售预测 约翰是JT产品公司的销售经理。公司开始推出一种称为“Apple-Glo”的新产品，它是一种安全的清洁剂。该产品已经被引进东北销售区域，并且在近两年花费了大量的广告活动费用，见表1。假设约翰对广告的效果分析感兴趣。公司现在正考虑将该产品引进到两个新区域，其中一个区域的广告活动费高达200万美元 广告支出的销售预测 另一个区域的广告费150万美元，如果两个地区广告花费是有效的，约翰想要知道该产品在这两个区域中的每个区域第一年的销售期望值。 根据表1的信息，约翰想要了解： （1）第一年的广告费和第一年的销售额之间的关系如何？存在与这两个值相关的等式吗？ 广告支出的销售预测 （2）如果广告支出为150万美元，那么第一年的销售额期望值的估计结果是多少？如果广告支出为200万美元，那么第一年的销售额期望值的估计结果是多少？ （3）第一年销售额估计结果的可靠性是多少？与第一年的广告费用和第一年的销售额有关的等式的预测效果如何？ 日期 区域 广告支出 （百万）（xi） 第一年的销售额 （百万）（yi） 1994年1月 缅因州 1.8 104 1994年2月 新罕布什尔州 1.2 68 1994年3月 佛蒙特州 0.4 39 1994年4月 马萨诸塞州 0.5 43 1994年5月 康涅狄格州 2.5 134 1994年6月 罗得岛 2.5 127 1994年7月 纽约州 1.5 87 1994年8月 新泽西州 1.2 77 1994年9月 宾夕法尼亚州 1.6 102 1994年10月 特拉华州 1.0 65 1994年11月 马里兰州 1.5 101 1994年12月 西佛吉尼亚州 0.7 46 1995年1月 佛吉尼亚州 1.0 52 1994年2月 俄亥俄州 0.8 33 表1 散点图 一元线性回归模型 我们发现广告支出与销售额的关系近似呈现一条直线 用y表示产品第一年的销售额，x表示第一年的广告支出。y是因变量，x是自变量 用x1，x2，…，xn表示n(=14)个广告支出观测值 用y1，y2，…，yn表示n(=14)个销售额观测值 一元线性回归模型 存在n对数(x1, y1 )，(x2, y2)，…，(xn, yn)。 简单线性回归模型假设为： 其中，?i 是服从均值为0和标准差为?的相互独立 的正态分布随机变量的观测值。 数值?0是y的“基准值”，是x=0时的因变量的值。 数值?1是直线的斜率，每单位自变量的变化引起的因变量的变化的数值大小 一元线性回归模型 简单线性回归模型描述为： 其中，?是服从均值为0和标准差为?的正态分布 随机变量。 ?表示“噪声”或“不可预测的因素”，表示