DMD-6-回归模型.ppt

数 据 模 型 决 策 第九章 回归模型 　　对于一个工商管理人员来说，相当重要的管理决策能力之一是敏锐地洞察商业或生产中数据的发展趋势，并且在已认识的趋势基础上对未来做出正确的预测。而能够做到这一点的强有力的工具之一就是所谓的“回归模型”。 数 据 模 型 决 策 9.1 简单线性回归模型及预测 例9.1 广告花费与销售额的预测 某公司销售额数据 yt（第 t 月的销售额）与 广告花费数据 xt （第 t 月的广告花费）如表。 数 据 模 型 决 策 9.1 简单线性回归模型及预测 例9.1 广告花费与销售额的预测 由表中数据可以绘制一张散点图！ 数 据 模 型 决 策 9.1 简单线性回归模型及预测 从散点图中，你有何发现？ 数 据 模 型 决 策 9.1 简单线性回归模型及预测 简单线性回归模型（一元线性回归模型）： 数 据 模 型 决 策 9.1 简单线性回归模型及预测 最小二乘估计 ? ， ?： 数 据 模 型 决 策 9.1 简单线性回归模型及预测 由上述分析可以计算得到例 9.1中 数 据 模 型 决 策 9.1 简单线性回归模型及预测 数 据 模 型 决 策 9.1 简单线性回归模型及预测 在以上的分析中，我们始终有一个前提—— “ 如果模型成立 ”。那么模型究竟能否成立呢？ 从管理实际角度再对模型加以定性的思考： 广告效应的 “ 滞后 ” 性！ 我们采用另一个线性回归模型： yt = ?1 + ?1xt-1 （t = 1，2，…，n） 这样，可以得到另一条回归直线： y = 335.9 + 13.9 x 数 据 模 型 决 策 9.1 简单线性回归模型及预测 至此，我们得到了两个线性回归模型： 1、 y = - 998 + 13.88 x 2、 y = 335.9 + 13.9 x 这两个线性回归模型都可以对未知的月销售额进行预测。但是，哪一个模型更有效呢？ 解决这一问题的方法是——对预测的误差进行比较！ 即采用均方残差 MSE 进行比较。 数 据 模 型 决 策 9.1 简单线性回归模型及预测 从两个模型的均方残差 MSE 来考虑，我们应该选择 MSE 较小的模型，即选择 x t-1 与 yt 的模型略好些，直观的含义就是广告具有 “ 滞后 ” 效应。 然而，这两个模型的预测误差都是比较大的，其原因可能是我们仅考虑了一个因素对 yt 的影响。而事实上，x t-2，x t-1 ，xt 等等，乃至可能其他以前月份已发生的广告费支出对 yt 都会产生影响。因此，我们的线性回归模型不得不考虑有多个 “自变量” 的情况——这就引出了 “多元线性回归模型”。 数 据 模 型 决 策 9.2 多元线性回归 多元线性回归模型： 数 据 模 型 决 策 9.2 多元线性回归 和一元线性回归的分析类似，重要的是确定模型中的参数 ? ， ?1 ， ?2 ，…， ?k 的估计。采用的方法仍然是使： 残差平方和 SSE 达到极小！ 数 据 模 型 决 策 9.2 多元线性回归 现在分析例 9.1 ，我们考虑线性回归模型： yt = ? + ?1xt + ?2xt-1 + ?3xt-2 + ?t （ t = 3，4，… ，15 ） 数 据 模 型 决 策 9.2 多元线性回归模型分析 1、回归系数 数 据 模 型 决 策 9.2 多元线性回归模型分析 2、标准误差 S S 是对 ?t 所服从的 N（0，?）中 ? 的估计：即 ? = S