市场分析方法PPT.ppt

（2）均值预测 （3）两种预测置信区间的比较 见下图 可见，均值预测的置信区间波幅较单个值预测的置信区间的波幅更窄一些，均值预测比单个值预测更为精确。 h.实例讲解与演示 接下来是该模型的各项检验与预测，同学们可自己加以实践。 ③多元线性回归方法 现实生活中引起因变量变化的因素并非只有一个，可能有很多个因素。例如，产出往往受各种投入要素——资本、劳动、技术等的影响；销售额往往受价格和公司对广告费的投入等因素的影响。所以在一元线性回归模型的基础上，提出多元线性回归模型——自变量个数=2。多元线性回归模型是研究两个或两个以上自变量与因变量之间的线性相关关系或因果关系的回归模型。 它的一般形式为： 多元线性回归模型的基本假定 解释变量 是确定性变量，不是随机 变量；而且解释变量之间互不相关 同方差性，即 序列不相关性，即 随机误差项与解释变量之间不相关 正态性，即 多元线性回归方程的直观解释 多元线性回归也采用OLS法进行参数估计， 估计的原则仍然是离差（残差）平方和最小 。定义类似于一元线性回归。 可以得到参数估计的正规方程组，进而得出参数估计值 多元线性回归方程的检验 与一元线性方程的基本内容和原理相同，但 由于自变量个数增多，要稍复杂些。 拟合优度检验 方程显著性检验（F检验） 变量系数显著性检验（t检验） 方程显著性检验（F检验） 原假设与备择假设、检验统计量 或 变差来源 平方和 自由度 均方和 F值 P值 回归 SSR p 残差 SSE n-p-1 总离差 SST n-1 变量系数显著性t检验与一元回归基本相同 多元线性回归的变量筛选－逐步回归法 逐步回归法的思想是：先按前进法引入自变量（按对因变量贡献大小的顺序），再按后退法对方程中的自变量进行回归系数的显著性偏F检验，将最不显著的变量剔除。直至既无显著的自变量选入回归方程，也无不显著自变量从回归方程中剔除。 逐步回归法能够保证最终确定的方程是显著的，且方程的每个自变量对因变量的线性影响也是显著的。 引入的准则：引入解释变量后使模型的拟合优度（及F）显著增加的，应当引入；否则不引入。 剔除的准则：剔除解释变量后使模型的拟合优度（及F）不显著的减少，应当剔除；否则不剔除。 实例讲解与演示 例1．中国民航客运量的回归分析模型。为了研究我国民航客运量的变化趋势及其成因，我们以民航客运量作为因变量，以国民收入、消费额、铁路客运量、民航航线里程、来华旅游入境人数为影响民航客运量的主要因素。 根据《1994统计摘要》获得1978-1993年统计数据, 参见下表： Y—民航客运量（万人） X1—国民收入（亿元） X2 —消费额（亿元） X3—铁路客运量（万人） X4 —民航航线里程（万公里） X5 —来华旅游入境人数（万人） 依据表中的数据计算各变量相关系数矩阵如下： 年份 y x1 x2 x3 x4 x5 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 231 298 343 401 445 391 554 744 997 1 310 1 442 1 283 1 660 2 178 2 886 3 383 3 010 3 350 3 688 3 941 4 258 4 736 5 652 7 020 7 859 9 313 11 738 13 176 14 384 16 557 20 223 24 882 1 888 2 195 2 531 2 799 3 054 3 358 3 905 4 879 5 552 6 386 8 038 9 005 9 663 10 969 12 985 15 949 81 491 86 389 92 204 95 300 99 922 106 044 11 353 112 110 108 579 112 429 122 645 1