第三章节 需求估计2011.pptVIP

* 机械工业出版社《管理经济学》p138 如果一个家庭本周买的早餐麦片过多，那么下一周的购买量很可能低于平均数，再下一周还会高于平均数 金融市场的收益：暂时高于资本市场均衡值的收益将构成大胆行动的动力，结果使收益得到过分的纠正 * P100：检验回归系数可信度的一个简便方法是把系数标准差的两倍与所估计的回归系数相比较，如果回归系数大于标准差的两倍，就有95%的把握说明所估计的系数显著非零，即变量之间在统计上存在显著关系。 问题在于学习文学课所花的时间和阅读书籍的数量是高度相关的。事实上，这一关系可能是线性的，即学习的时间增加一倍，阅读书籍的数量可能也增加一倍。 多重共线性引起的问题是，很难把每个变量对因变量的影响区分开，无法准确估计自变量的回归系数，因为观察数据不提供在一个自变量不变的情况下，另一种自变量对因变量的影响。 使用可决系数和系数标准差两个统计量，可以发现多重共线性。 可决系数较大，说明模型作为一个整体可以解释因变量的变化，但同时如果各个自变量的系数标准差也很大，说明每个自变量系数的可信度低。变量之间存在共线性。 尽管多重共线性问题使得回归方程中的自变量系数不准确，但仍可以用于预测目的。 解决多重共线性问题的一个办法是从方程中取消一个高相关的变量。 5、自相关 回归模型的一个假设是：扰动项（误差项、残值）是一个独立的随机变量，即每个逐次（序列）误差是与前后误差无关的。如果误差项逐次值存在某种显著方式，就构成自相关。 . . . . . . . . . . . . . . . . . . . . 高考招生大小年、购买可储藏消费品、资本市场 周期变动，季节性变动 可以通过在回归方程中增加相应的自变量的方法消除。 残值 观察顺序 （时间） 需求预测 德尔菲法 时间序列分解法 回归分析法可以用来对变量之间的关系定量，但如果回归模型中包括的自变量很多，数据收集就会有困难。如果随着时间的推移，变量是按照可识别的模式变化的，时间序列分析法就是对将来进行预测的可供选择的方法。 时间序列预测模型仅仅以被预测变量的历史观察值为基础，不说明产生观察结果的主要因果关系，假设历史关系将延续到未来，如果因果关系发生变化就会形成糟糕的预测，因此不适用于预测经济序列的转折点。 时间序列分析的核心是确定数据的变化是由哪几部分构成的。 P93（104）：表3-6 Q=T·S·C·I Q：销售量预期值 T：长期趋势值 S：季节性因子：反映在一年内数据的重复的、有规则的变动 C：周期性因子：反映数据围绕长期趋势线的上下波动 I：不规则因子（随机波动） 时间序列分解法 长期趋势值T： 对销售数据消除季节性因素后，以线性函数形式，用回归分析法估计。 1、求四期（一年）移动平均数MAt ：表示一年期内典型的季销售量水平 2、求移动平均中心值CMAt：是消除了季节因素后，最能代表每季度典型销售水平的数据 3、确定长期趋势值（CMAT，T）：用回归分析法，利用移动平均中心值CMAt数据估计长期趋势值 CMAT=f（t） T为期数，估计回归方程，计算长期趋势值 测定季节因子S 1、计算季节系数SFt：实际销售量与移动平均中心值的比，反映了季节因素 2、计算季节指数SIt：消除年度变化影响 测定周期系数C 1、比较移动平均中心值与长期趋势值：如果移动平均中心值围绕长期趋势线上下波动，则存在周期性运动。 2、根据过去的波动模式，推测未来C值P96（108） P104表中2008,3~2009,4中的周期系数为估计值 移动平均法和指数平滑法 移动平均法 移动平均方法是收集一组观察值， 计算这组观察值的均值，利用这一均值 作为下一期的预测值。 在移动平均值的计算中包括的过去观察值 的实际个数，必须一开始就明确规定。每 出现一个新观察值，就要从移动平均中减 去一个最早观察值，再加上一个最新观察 值，计算移动平均值，这一新的移动平均 值就作为下一期的预测值。 移动平均法有两种极端情况 在移动平均值的计算中包括的过去观察值的实际个数N=1，这时利用最新的观察值作为下一期的预测值； N=n，这时利用全部n个观察值的算术平均值作为预测值。 当数据的随机因素较大时，宜选用较大的N，这样有利于较大限度地平滑由随机性所带来的严重偏差；反之，当数据的随机因素较小时，宜选用较小的N，这有利于跟踪数据的变化，并且预测值滞后的期数也少。 由移动平均法计算公式可以看出，每一新预测值是对前一移动平均预测值的修正，N越大平滑效果愈好。 设时间序列为 移动平均法可以表示为： 式中： 为最新观