市场调查与数据分析-江西财经大学.ppt

回归预测的一般程序： 确立相关因素 这是回归分析的基础，只有当各因素存在相关关系时，才可用回归分析进行预测。 建立数学模型 根据已知的数据资料，找出变量之间相关关系的类型，并选择与其最为吻合的数学模型。 检验和评价数学模型 用数理统计方法检验数学模型，并测量其误差大小和精确程度。 运用模型进行预测 数学模型经检验后如果正确，即可用来进行预测和控制了。 10.2 一元线性回归 一元线性回归预测的方程 其中： —— 是自变量； —— 是因变量； —— 回归系数； ——— 回归系数。 最小二乘法求解回归系数： 最小二乘法就是从过去若干期实际资料中，找到一条有倾向性的趋势直线——回归直线，使回归直线到实际资料各点间的距离平方和最短，即偏差的自乘之和最小。用最小二乘法所找出的倾向性回归直线，最能代表实际资料的变动趋势，因而可作为预测之用。 标准化方程组为： 最小二乘法求解回归系数： 解得回归系数： 一元线性回归模型为： 回归模型中的系数b，反映了x变化 一个单位对y的影响程度。即反映了影响因素x对预测对象y的影响大小和方向。 统计检验： 相关系数R ： R 取值范围为 -1≤ R ≤+1 当 R=+1时，y与x是完全正相关； 当 R=-1 时，y与x是完全负相关； 当 R= 0 时，y与x是完全不相关； 当|R|＞0.7时，叫强相关； |R| ＜0.3时叫弱相关。 置信区间： 回归预测有两个内容 ： 一个是现有数据的规律化，即计算回归系数； 另一个是对规律化了的数学模型进行置信估计。 一般取置信度为95.45%，这时的预测区间为： 当影响因素为时间时： 即时间因素与预测对象有线性相关关系，对于时间序列一元线性回归模型的回归系数的计算，可通过适当选择期数的标号，使得∑t = 0，这样可使回归系数的计算简化。对期数为奇数的时间序列，可令中间一期为第0期，两边分别为±1，±2，±3，… ；而对偶数期的时间序列，令中间两期分别为±1，其它各期分别为±3，±5，… ；这样就使得∑t = 0，简化后的计算公式为： 例题： 某地区人均收入与耐用消费品销售情况如下表示，请根据人均收入的变化来预测耐用品的销售额。 年份 序号 人均月收入 xi（百元） 销售总额 yi（十万元） 计算栏（十万元） xiyi xi2 yi2 1996 1 1.5 4.8 7.20 2.25 23.04 4.65 1997 2 1.8 5.7 10.26 3.24 32.49 5.53 1998 3 2.4 7.0 16.80 5.76 49.00 7.29 1999 4 3.0 8.3 24.90 9.00 68.89 9.05 2000 5 3.5 10.9 38.15 12.25 118.81 10.51 2001 6 3.9 12.4 48.36 15.21 153.76 11.69 2002 7 4.4 13.1 57.64 19.36 171.61 13.15 2003 8 4.8 13.6 65.28 23.04 184.96 14.32 2004 9 5.0 15.3 76.50 25.00 234.09 14.91 Σ -- 30.3 91.1 345.09 115.11 1036.65 91.10 例题： 根据预测目标很容易知道年销售额为因变量， 所求得的一元线性回归预测方程为： 例题： 相关系数： 说明X与Y有很强的正相关关系，可以预测。 例题： 预测2005年当人均收入为560元时，该耐用消费品销售额的预测值为： 所以预测区间为：16.67±2×0.78 即预测值在(15.11，18.23)范围内的概率为95.45% 例题二：