回归-时间序列判别分析.ppt

;回归分析 是由一个（或一组）非随机变量来估计或预测某一个随机变量的观测值时，所建立的数学模型和所进行的统计分析，称为回归分析。如果这个模型是线性的，就称为线性回归分析。研究两个变量间的相关关系的回归分析，称为一元回归分析。;一元线性回归模型; 由于 与 之间不存在完全确定的函数关系，因此必须把随机波动产生的影响考虑在内。于是有一元线性回归模型的一般形式为; 一元线性回归分析的主要任务是用样本值对回归系数 和 作点估计；对 作假设检验；在 处对 作预测，并对 作区间估计。; 的无偏估计为;参数 的置信水平为 的置信区间为;用 的回归值 作为 的预测值，同时 的置信水平为 的预测区间为; 用最小二乘法寻找参数 的估计值，使离差平方和达极小 经整理后,得正规方程组;得到的解为： 我们记： 则解可以表示为：;多元线性回归模型; 与 观测值表;在理论模型式（1）下，可以认为表中数据满足;未知参数 估计式为;对于给定自变量 ，用;用spss进行回归分析;牙膏销售量与销售价格、广告费用等数据;　　　首先在spss中导入数据，由于差价是根据厂家自己定价和其他厂家平均价决定的，所有灵活性更好，将差价作为x1，将广告费作为x2，销量作为y。在spss中画出y与x1的散点图。以便我们观察y与x1的关系。;　 由图中我们大致可以看出差价x1与销量y是线性关系。 画出y与x2的散点图，;　　　我们大致的也可以看出y与x2也是线性关系。 　　　所以我们可以认为y与x1、x2的关系是线性的。即： 　　　y=ax1+bx2+c 所以我们在spss中做多元回归分析，得到结果如下。; 　　　其中R方=0.886表示y的88.6%可以有模型确定。; F=104.967F0.05(2,29)=3.33，显著性水平sig00.05。所以可以认为模型是可以用的。;;所以我们可以得到回归方程 　　　Y=1.588X1+0.563X2+4.407 　　 所以我们就可以根据x1、x2的值来预测销量y。 由上面的回归方程我们可以看到x2的系数靠近0，也就是说其实销量Y的值跟x2的线性关系不是那么明显的，即说明这个回归方程式可以改进的，其实我们可以从y跟x2的散点图在x2=6.5的时候是有一定的弯曲的，所以我们对模型进行改进 　　　y=ax2+bx2*x2+c;用spss得到改进的结果; F=82.941F0.05(3,29)=2.93，显著性水平sig大约等于00.05。所以可以认为模型是可以用的。; 由上面的表我们可以知道： Y=1.307X1-3.696X2+0.349X2*X2+17.324 这样我们就得到了回归方程，我们可以根据差价和广告费投入只能大致的进行销量估计。因为我们从回归方程中可以看到，当我们进行大量的广告费投入的话，根据回归方程算出销量是大幅增加的，但是现实生活中我们不可能无限制的增加。 ;时间序列;用spss进行时间序列分析;数据：;　　　通过spss分析得到发展趋势图;将数据导入spss，得到结果如下;;同时spss给出了预测值;判别分析;　　　判别分析:是根据多种因素(指标)对事物的影响来实现对事物的分类，从而对事物进行判别分类的统计方法。判别分析适用于已经掌握了历史上分类的每一个类别的若干样品，希望根据这些历史的经验（样品），总结出分类的规律性（判别函数）来指导未来的分类;用spss做判别分析： 为研究1991年中国城镇居民月平均收入状况，按标准化欧氏平方距离、离差平方和聚类方法将30个省、市、自治区．分为三种类型。试建立判别函数，判定广东、西藏分别属于哪个收入类型。;1991年30个省、市、自治区城镇居民月平均收人数据表;; 将数据导入spss，为了分组我们引入一个新的变量分组，1、2、3分别代表组G1、G2、G3，这样我们用spss的判别分析得到结果如下。 这表说明我们有28个变量已经分组占93.3%，有两个没有分组。; 这个是建立函数情况，说明用两个函数就可以对模型进行统计。 ; 这个是函数的假设性检验，在0.05的显著性水平下是显著的。