有关ch04相关和回归.pptVIP

6. 销售量预测 根据回归模型(4)，只需知道该销售周期的价格差x1和投入的广告费用x2，就可以计算预测值，即可预测公司未来某个销售周期牙膏的销售量y。比如公司计划在未来的某个销售周期中，维持产品的价格差为x1 = 0.2元，并将投入x2 = 6.5百万元的广告费用，则该周期牙膏销售量的估计值为y = 17.3244 + 1.3070 ? 0.2 + (-3.6956) ? 6.5 + 0.3486 ? 6.52 = 8.2933百万支。 7. 模型改进 根据直觉和经验可以猜想，x1和x2之间的交互作用会对y有影响，不妨简单地用x1，x2的乘积代表它们的交互作用，于是将模型(3)增加一项，得到 (5) 在这个模型中，y的均值与x2的二次关系为，由系数?2，?3和?4确定，并依赖于价格差x1。 使用如下过程代码： data yagao; set Mylib.yagao; x2x2=x2*x2; x1x2=x1*x2; proc reg data = yagao; var y x1 x2 x2x2 x1x2; model y = x1 x2 x2x2 x1x2; print cli; run; 与图4-52的结果相比，R2与Adj-R2都有所提高，说明模型(5)比模型(3)有所改进。并且，所有参数t检验的p值均小于0.05，为显著非零，所以有理由相信模型(5)比模型(3)更符合实际。模型(5)的回归方程为： (6) 用公式(6)对公司的牙膏销售量作预测。仍设在某个销售周期中，维持产品的价格差x1 = 0.2元，并将投入x2 = 6.5百万元的广告费用，则该周期牙膏销售量y的估计值为： = 29.1133 + 11.1342 ? 0.2 – 7.6080 ? 6.5 + 0.6712 ? 6.52 – 1.4777 ? 0.2 ? 6.5 = 8.3272(百万支) 4.3.2 可化为线性回归的一元非线性回归 表4-4给出了一些常见的可线性化的一元非线性模型，对线性化后的线性模型可以利用SAS的前述方法进行一元线性回归分析。 表4-4 典型函数及线性化方法 函数名称 函数表达式 线性化方法 双曲线函数 1/y = a + b/x u = 1/x v = 1/y 幂函数 y = axb u = lnx v = lny 指数函数 y = aebx u = x v = lny y = aex/b u = 1/x v = lny 对数函数 y = a + blnx u = lnx v = y S型函数 u = e-x v = 1/y 下面通过一个具体实例说明一元非线性回归分析的方法： 【例4-9】炼钢厂考虑钢包的重量y与试验次数x的关系。 表4-5 钢包的重量y与试验次数x的数据 假定数据已存如数据集Mylib.gbzl，下面分三步进行分析建立模型： 序号 x y 序号 x y 1 2 106.42 8 11 110.59 2 3 108.20 9 14 110.60 3 4 109.58 10 15 110.90 4 5 109.50 11 16 110.76 5 7 110.00 12 18 111.00 6 8 109.93 13 19 111.20 7 10 110.49 1. 确定回归函数可能形式 为确定可能的函数形式，首先描出数据的散点图。步骤如下： 1) 在INSIGHT模块中，打开数据集Mylib.gbzl； 2) 选择菜单“Analyze”→“Scatter Plot(Y X)”； 3) 在打开的“Scatter Plot(Y X)”对话框中选定Y变量：Y；选定X变量：X；单击“OK”按钮，得到变量Y对X的散点图，如图4-58所示。 散点图呈现出明显的向上且上凸的趋势，可能选择的函数关系有很多，比如可以给出如下三种曲线函数： ， ， 令 、 、 、 ，三种 曲线函数又可以表示为： v = a + bu，y = a + bw，y = a + bz ， ， 2. 变量变换 在INSIGHT模块中，打开数据集Mylib.gbzl，选择主菜单“Edit”→“Variables”→“Other”，打开“Edit Variables”对话框；如图4-59所示分别增加四个变量：