运输经济学第二章6节运输系统预测.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * （5）幂函数 * （6）S曲线 * 2、化一般一元非线性函数为线性函数 任何一元非线性函数都可通过数学分析（泰勒级数展开，取近似值）的方法化成以下形式。 * 以前讨论的回归预测方法，只涉及二个变量。但在实际问题中，影响因变量的因素往往不止一个，此时必须探索在各种因素综合作用下系统变化的规律性，以预测系统的变化，为系统决策提供依据。解决这类问题的方法之一就是多元线性回归分析。 现以二元回归分析为例，得出多元线性回归分析的一般方法。 五、 多元线性回归预测法 * 1、二元线性回归分析 某公司木器厂准备根据影响生产成本的两个重要因素——劳动量和木材消耗量，建立成本预测模型，资料见下表： 月 总成本Y（千元） 劳动量X1（千时） 木材耗用量X2 （千立方米） 1 3.1 3.9 2.4 2 2.6 3.6 2.1 3 2.9 3.8 2.3 4 2.7 3.9 1.9 5 2.8 3.7 1.9 6 3.0 3.9 2.1 7 3.2 3.8 2.4 * * 因此，解上面方程组即可得出回归各系数。 * 2、 多元线性回归预测法 多元线性回归预测法是一元线性回归预测法的延伸。 多元线性回归预测法研究一个因变量和两个或两个以上的自变量间的关系。 因变量和每一个自变量之间为线性关系。 回归方程 * 由一组样本数据，可求出等估参数的估计值b0、b1、b2和bp,，得到如下回归方程： ?i =b0+b1x1+b2x2+…+bp xp 由此可见，建立回归方程的过程就是对回归模型中的参数（常数项和偏回归系数）进行估计的过程。 * 参数的最小二乘估计 与简单回归类似，我们寻求参数B0、B1、B2和Bp的适宜估计数值b0、b1、b2和bp,，使实际观察值和回归方程估计值之间残差平方和最小， 即 Q＝? (yi －?i) 2 = ? (yi － b0－b1x1i－b2x2i－…－bp xp i) 2 对b0、b1…、bp分别求偏导数，今偏导数为零可获得P＋1个正规方程，求解正规方程可得待估参数值。 * 六 、平滑预测与回归预测的比较 平滑预测与回归预测都是常用的预测技术，其区别如下： 适用范围不同 平滑预测模型适用于时间序列； 回归模型既适用于时间序列，也适用于具有因果关系的非时间序列。 预测期间不同 平滑预测是一种对现有资料的外推，只适用于短期预测； 回归模型反映变量间的因果关系，适用于中短期预测。 功能不同 平滑模型通常只用于进行预测； 回归模型既用于预测，也可以用于结构分析、政策评价等 数学基础不同 回归模型是根据统计学原理推导得出的，具有严谨的数学基础，并且可以对预测模型进行统计检验分析。而平滑模型则不能进行检验。 * * * * * * * * * * * * * * * * * * * * * * 二、回归预测法 回归分析是一种对于变量间非确定性关系的统计分析法。预测步骤如下： （1）确定预测变量可能的相关因素，并收集这些因素的统计资料，并分析这些因素间是否存在相关关系，如存在相关关系，则确定相应的模型类型（线性还是非线性？）； （2）计算模型中的参数； （3）建立回归预测模型； （4）利用模型进行预测； （5）预测值置信度检验。 * 回归分析的种类 （1）按自变量的多少分 ①简单（一元）回归：自变量只有一个 。 [例] y = a+bx ?一元回归方程 ②复（多元）回归：自变量为2个或2个以上。 [例] y=?0+ ?1x1+ ?2x2+…+ ?nxn （2）按回归方程式的特征分 ①线性回归：因变量为自变量的线性函数。 [例] y = a+bx ? 一元线性回归方程※ ②非线性回归：因变量为自变量的非线性函数。 [例] * 三、一元线性回归预测法 例：为了预测汽车薄钢板的年需求量，有关物资企业研究并收集了发达国家汽车制造业近几年间的汽车产量与薄钢板消耗量的数据，见表： 序号 年度 汽车产量x（万辆） 薄钢板消耗量y（吨） 1 1985 11.38 18285 2 1986 12.54 19937 3 1987 13