第二章+预测方法-回归0910.pptVIP

授课教师：杨励雅 中国人民大学公共管理学院城市规划与管理系 2009年2月 第一节 统计预测概述（概念、分类等） 第二节 各类预测方法的一般原理和计算机实现 统计预测的概念 预测的发展历史和应用领域 预测及预测方法的分类 预测方法的选择 预测的一般步骤 （3）对数函数 Y = a + blnX 令 U = lnX 则 Y = a + bU （4）双曲线函数 Y = a + b/X 令 U = 1/X 则 Y = a + bU （3）某市规划局打算预测某区2010年的房产需求量，采用主观概率法对10位调查人的汇总表如下。请以62.5%的概率对该区2010年的房产需求量。 （a）该区2010年地产需求量最低可到2083套，低于该数值的可能性只有1%；最高需求量可到2349套，大于该值的可能性也只有1%。 （b）可用2213套最为2010年地产需求量的预测值，其累积概率为50% （c）期望以62.5%作出区间预测，则在0.5概率两边第(3)栏与第(8)栏的范围内，其发生概率为0.875-0.250=0.625。则预测区间为2147-2282套，亦即在62.5%的概率下房产需求量预测值在2147套-2282套之间。 二、 回归预测法 1、回归模型概述 2、一元线性回归预测法 3、多元线性回归预测法 4、非线性回归预测法 5、应用回归预测时应注意的问题 1、回归模型概述 （1）回归（Regression）的提出 回归分析方法是一种建立统计观测值之间的数学关系的方法。 （2）概念 最初由英国生物学家高尔登（Galton）于1889年提出。 通过一个变量或一些变量（自变量）的变化来解释另一个变量（因变量）的变化，从而由自变量的取值来预测因变量的可能值。 （3）回归模型的一般表示 y = f (x1, x2, … xn, u) xi (i = 1,2, …, n)——解释变量/自变量 y——被解释变量/因变量 u——随机因素 （4）回归模型的分类 按函数关系是否线性，分线性回归模型和非线性回归模型 按解释变量个数，分一元回归模型和多元回归模型 2、一元线性回归预测法 适用范围：成对的两个变量数据分布大体上呈直线趋势时 一般步骤： （1）建立模型 （2）参数估计 （3）模型检验 变差分析图 模型检验： ③回归系数显著性检验-t检验 检验假设：H0: b=0, H1: b≠0 检验统计量： 其中 检验规则：给定显著性水平α 若 则回归系数b显著 ①估计标准误差检验- ②可决系数/拟合优度检验- ④回归方程显著性检验-F检验 检验假设：H0: 回归方程不显著； H1: 回归方程显著 检验统计量： 检验规则：给定显著性水平α 若 则回归方程显著 若 则回归方程不显著，回归模型不能用于预测 例题1：某地区居民储蓄存款余额y亿元，与居民可支配收入x亿元之间的数据如下表所示，试以居民可支配收入为自变量建立该地区居民储蓄存款余额的线性回归预测模型 例题2：下表是某偏远农村地区10户家庭人均收入（X）和人均食物消费支出（Y）的数据。 （1）估计该地区居民家庭食物消费支出的回归直线。 （2）计算可决系数，说明方程的拟和优度。 （3）在0.05的显著性水平下，对回归系数进行显著性检验。 用EXCEl软件求解例题1和例题2 方法一：用Excel内建函数Intercept()和slope()计算回归系数 用RSQ()计算可决系数 方法二：在散点图上直接显示出回归直线及其方程 a 绘制自变量-因变量散点图 b 添加趋势线（显示公式和R平方值） 方法三：用回归分析报告完成一元线性回归分析 工具—数据分析—回归 3、多元线性回归预测法 提出：在很多情况下，回归模型必须包含两个或更多自变量 一般形式： Y = a + b1X1 + b2X2 + … + bmXm 才能适当地描述经济现象的变化。 其中， b1, b2, …, bm —— 各自变量系数，又称偏回归系数 （1）建立模型 Y = a + b1X1 + b2X2 +… （2）参数估计：最小二乘法 （3）模型检验 显著性检验 可决系数 自相关检验 一般步骤： 标准差 案例一：二元线性回归 某饮料公司的许多零售点设在体育比赛场地，该公司观察到饮料销售量不仅与气温有关，而且与比赛结束的比分差有关。下表是销售量与气温、比分差的统计数据。试以气温和比分差为自变量，建立销售量的二元线性回归模型，并计算比赛气温为35度，比分差为8情况下的饮料销售量。 二元线性回归分析表 a = 39.1953 b1 = 9.0641 b2 =9 .6074 标准误差、可决系数及相关系数计算表 Se=31 R2=0.949 rX