信息分析与预测 第6章 回归分析预测法.ppt

第1节 概述 6.1.1相关分析与回归分析 联系是普遍存在的 ，事物与事物之间客观地存在着各种各样的相互联结、相互制约、相互依存的关系。 有的联动关系是以定量形式存在的：e.g. 商品价格与市场供求，消费与收入，固定资产投资与国民收入增长 通过数量分析来研究不同事物和现象之间的联系，以把握其变化及产生相互作用与影响，对于经济生活中的生产、运营、管理，以及其他社会实践活动，都有着重要的理论意义和实践价值。 各种相关变量之间的关系可以分为两类： 一类是确定的函数关系； 一类是不确定的相关关系。 这种关系有两个显著特点： 第一，变量之间确实存在着联动变化关系。当一个变量发生变化时，会引起另一个变量发生相应的变化。 第二，变量之间的相关关系是不确定的，具有一定的随机性，而且，通常对因变量产生影响的自变量不止一个。 相关回归分析预测法——又称为回归分析法，就是从各种现象之间的因果关系出发，通过对与预测对象有联系的事物或现象的变动趋势进行分析，进而推算预测对象的未来数量状态的一种预测方法 6.1.2 回归分析的类型 相关回归分析是一种非常重要的定量分析方法，在预测分析中也占有十分重要的地位。按照不同的标准，可以将回归分析分为不同的类型： 1. 根据回归模型中自变量的数量划分，可以分为一元回归模型和多元回归模型。 一元回归模型是指与因变量对应的只有一个自变量； 多元回归模型是指与因变量对应的有一个以上的自变量。 2. 根据回归模型是否有线性特征划分可以分为线性回归模型和非线性回归模型。 线性回归模型是指因变量与自变量之间的联动关系是直线型的； 非线性回归模型是指因变量与自变量之间的变动关系是曲线型的。 3. 根据自变量分布与时间的关系划分 1) 与时间无关的相关关系 在这种关系中，变量之间的相关关系与时间无关。 2) 有时间滞后的相关关系 在这种关系中，自变量与因变量的联动变化关系有一个时间差。 3) 时间序列关系 在这种关系中，时间成为自变量，因变量与时间的相关关系服从一定的函数分布，也可以说因变量自身随着时间的变化而呈现出一定的变化规律和发展趋势。 4. 根据回归模型是否带虚拟变量划分，可以分为普通回归模型和带虚拟变量的回归模型。 普通回归模型是指自变量都是数量变量； 带虚拟变量的回归模型是指自变量中既有数量变量又有品质变量。 6.1.3 一般回归模型和回归分析的基本步骤 1. 一般回归模型 线性回归模型是回归分析预测中的基础模型，许多非线性回归模型也要通过适当的变换（取对数、变量替换等），使之转换为线性模型。线性回归模型的一般形式为： 式中： ——因变量； ——自变量的数目； ——随机误差项； ——代表第组观测值； ——样本容量； ——自变量； ——回归模型参数。 随机误差项 是第i组观测值中y的实际数据和由方程所得的估计值y′之差。事物之间的联系十分复杂，很难用有限数量的变量和确定的函数形式来准确反映和描述，所以需要设置随机误差项。造成随机误差的可能原因包括： (1) 自变量没有充分包含所有的影响因素； (2) 变量数据中存在某种程度的误差； (3) 模型与现实的偏离而造成的误差； (4) 其它随机因素造成的误差。 2. 回归分析的一般步骤 1) 根据对客观现象的定性认识初步判断现象之间的相关性 2) 绘制散点图 3) 进行回归分析，拟合出回归模型 4) 对回归模型进行检验 5) 进行回归预测 第2节 一元线性回归分析预测法 6.2.1 一元线性回归分析数学模型 ——被解释变量的实际值； ——根据回归方程推算出来的被解释变量的估计值； ，b——回归模型参数； ——随机误差项； ——代表第组观测值。 式（6-2）用以完整的表示解释变量和被解释变量之间的相关关系，但该模型主要在理论上存在，通过有限样本是无法求得的。我们只能通过有限的样本对总体做出推测，求出回归方程式（6-3）以用于分析和预测。式（6-3）的