[理学]第四章 回归技术与需求估计.ppt

* 第四章 回归技术与需求估计 回归技术 需求估计 回归分析中的问题 回归技术 动因：根据假设（理论）模型， 使用变量的已有（历史）数据，确定模型中的参数。 思路：拟合 先以青歌赛歌手得分为例。 O 歌手 个人得分 90 1 2 3 4 5 6 7 8 9 10 95 85 得分均值=90分 通俗组 O 歌手 个人得分 90 1 2 3 4 5 6 7 8 9 10 95 85 得分均值=90分 民族组 O 歌手 个人得分 90 1 2 3 4 5 6 7 8 9 10 95 85 美声组 得分均值=90分 相比较而言， 水平参差不齐 O 歌手 个人得分 90 O 歌手数 1 2 3 4 5 6 7 8 9 10 90 歌手 歌手得分 歌手总得分 90 规律曲线 下面以成本函数为例说明如何得到规律曲线 O 成本 产量 成本函数的一般形式：曲线式 （见第7章） O 成本Y 产量X 成本函数的简化形式：直线式 平均成本Y — 总成本和总产量数据 25 410 7 23 370 6 15 230 5 10 240 4 8 160 3 5 150 2 0 100 1 总产量（Xi） 总成本（Yi） 生产期 O 成本Y 产量X 以直线函数式表示： Y=a+bX, b0 其中，系数a为截距。 { 截距a 系数b为直线斜率。 对(X1,Y1)和(X2,Y2)两点， b=(Y2-Y1)/(X2-X1) 但是这个直线的得出靠目测等简单的方法，不科学。 估计系数 参考“方差”和“标准差”的思路， 利用已知的X、Y系列数据， 用合理的方式构造出直线的方程， 求出系数a和b。 O Y X 希望得到的直线 希望得到的直线， 称为“估计曲线”，或“拟合（fit）曲线”。 O Y X “拟合曲线”的拟合原则， 是使直线尽可能贴近所有的散点， 总偏差最小。 哪一条曲线是最合适的拟合曲线？ ? ? ? 局部放大，选择2个点观察 Yi到拟合曲线的离差0 Yi到拟合曲线的离差0 O “拟合曲线”的拟合原则， 是使直线尽可能贴近所有的散点， 总偏差最小。 而“总偏差”的表示方式是： 各点和直线离差的平方和。 这种方式， 称为“最小二乘（平方）”法。 使用各点与拟合直线离差平方和的方法，将所有正、负离差都充分表达出来，并要求其总和最小，综合考虑，可使拟合直线充分“靠近”离散点，并“照顾”了各点之间的分布形状。 由此得到的拟合曲线，又称“回归曲线”。 如何实现“总偏差最小”？ 拟合直线 最小二乘回归估计（least-squares regression estimation） 根据n组数据 的值来求出回归曲线 希望这直线和n个点距离（的平方）之和越小越好。 即希望求出 使 主要任务是求出次回归曲线的2个系数。 系数b就是Y对X的一阶导数 欲解使 须先分别求函数 对a和b的一阶偏导数。 的a和b， 使用复合函数求导法，令 知 而 故 则 最小二乘回归估计（least-squares regression estimation） 回归曲线系数是下列方程组的解： { { { 代入 其中，注意到 同样 最小二乘回归估计（least-squares regression estimation） 其中，注意分子 在上述过程中，将Y置换为X，可知分母为 所以 在n组数据 已知的情况下， 为常数， 其乘积也为常数 常数连加n次，等于乘以n （见教材P97） 主要计算过程 12.71 10.71 2.71 –2.29 –4.29 –7.29 –12.29 161.54 114.70 7.34 5.24 18.40 53.14 151.04 25 410 23 370 15 130 10 240 8 160 5 150 0 100 产量（Xi） 成本（Yi） 172.86 132.86 –7.14 2.86 –77.14 –87.14 –37.14 2197.05 1422.93 –19.35 –6.55 330.93 635.25 1685.45 例：估计龙虾晚餐的需求 14 100 8 16 105 7 19 90 6 13 120 5 14 110 4 19 85 3 18 90 2 15 100 1 价格(P) 每天用餐数(Q) 城市 0 4 – 2 0 8 0 0 0 5 7 – 30 9 3 – 10 6 – 60 9 – 3 20 5 – 20 4 – 2 10 4 – 45 9 3 – 15