统计分析在定编中的应用.ppt

- * - 统计分析在定编中的应用 李军 2008/08/03 北京-新疆 多元回归分析方法 1 多元回归分析在定编中的应用 2 其他统计分析方法介绍 3 总结 4 1 多元分析回归分析 多元回归分析的目的 由于： 在实际经济问题中，一个变量往往受到多个原因变量的影响； “从一般到简单”的建模思路： 找出一个线性方程式，用来说明一组观测变量与解释变量的关系。 了解该方程式的解释预测能力如何。 整体关系是否能达到统计所要求的显著水平。 在解释标准变化时，能否只用部分或者全部变量，即具有足够的预测力。 多元回归分析定义及参数的含义 多元回归分析（multiple regression analysis）是以多个解释变量的固定值为条件的回归分析，并且所获得的是诸变量X值固定时Y的平均值。诸?i称为偏回归系数（partial regression coefficients）。 ?1度量着在X2,X3,…,Xk保持不变的情况下，X1每变化1个单位时，Y的均值E(Y)的变化，或者说?1给出X1的单位变化对Y均值的“直接”或“净”（不含其他变量）影响，其他参数的含义与之相同。 在此基础上，对Y取对数，或对X取对数，或者将X、Y进行标准化，以排除X、Y单位对数字的影响。 多元线性回归模型的一般形式为： i ki k i i i X X X Y m b b b b + + + + = 2 2 1 1 0 i=1,2, … ,n 其中：K为变量个数。 回归方程的统计检验 拟合优度检验 拟合优度R2反应的是方程对Y的解释力度，一般说来R2越大越好； 由于任何变量之间都具有或强或若的联系，因此，增加变量个数会显著增加R2 ； 在样本容量一定的情况下，增加解释变量必定使得自由度减少，所以调整的思路是:将残差平方和与总离差平方和分别除以各自的自由度，以剔除变量个数对拟合优度的影响； 通常采用赤池信息准则、施瓦茨准则来衡量所含解释变量个数不同的多元回归模型的拟合优度。 方程及变量的显著性检验 方程显著性检验 方程的显著性检验，旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显著成立作出推断。 通常设定5%或1%显著水平下，通过F检验来判断方程的整体显著性。 变量显著性检验 方程的总体线性关系显著?每个解释变量对被解释变量的影响都是显著的。因此，必须对每个解释变量进行显著性检验，以决定是否作为解释变量被保留在模型中。 通常设定5%或1%显著水平下，通过T检验来分别判断每个变量的显著性。 样本容量问题 最小样本容量 所谓“最小样本容量”，即从最小二乘原理和最大或然原理出发，欲得到参数估计量，不管其质量如何，所要求的样本容量的下限。样本最小容量必须不少于模型中解释变量的数目（包括常数项）,即n ? k+1 满足基本要求的样本容量 从统计检验的角度： n?30 时，Z检验才能应用 n-k?8时, t分布较为稳定 一般经验认为: 当n?30或者至少n?3(k+1)时，才能说满足模型估计的基本要求 回归模型的良好性质只有在大样本下才能得到理论上的证明 影响因素参数区间 参数的置信区间用来考察：在一次抽样中所估计的参数值离参数的真实值有多“近”。 我们可以通过以下方法缩小参数区间，使之更接近真实值： 增大样本容量n，因为在同样的样本容量下，n越大，t分布表中的临界值越小，同时，增大样本容量，还可使样本参数估计量的标准差减小； 提高模型的拟合优度，因为样本参数估计量的标准差与残差平方和呈正比，模型优度越高，残差平方和应越小。 提高样本观测值的分散度,一般情况下，样本观测值越分散，(X’X)-1的分母的|X’X|的值越大，致使区间缩小。 多元回归分析预测 对于模型 给定样本以外的解释变量的观测值X0=(1,X10,X20,…,Xk0)， 可以得到被解释变量的预测值： 它可以是总体均值E(Y0)或个值Y0的预测。但严格地说，这只是被解释变量的预测值的估计值，而不是预测值。 为了进行科学预测，可以通过计算求出预测值的置信区间，包括E(Y0)和Y0的置信区间。 2 多元回归分析在定编中的应用 岗位定编概述 岗位定编是指采取一定的程序和科学的方法,对确定的岗位进行各类人员的数量及素质配备。 定编定员的主要特征在于： 必须在企业有一定的业务规模基础上进行； 必须在企业业务发展方向已定的基础上进行； 具有一定的时效性，即有一个发生、发展的过程； 不仅要从数量上解决好人力资源的配置，而且还要从质量上确定使用人员的标准，从素质结构上实现人力资源的合理配备。 定编的原则 以企业发展战略为