《商务统计学》9.3一元线性回归模型构建.pptx

一元线性回归模型构建 1.最小二乘法 2.正规方程组 3.一元线性回归模型构建实例 最小二乘法(Method of Least Squares ) 一元线性回归模型 样本回归方程 图 最小二乘法的思路 最小二乘法(Method of Least Squares ) 回归直线应满足的条件是：全部观察值与对应的估计值的离差平方和的总和为最小，即残差平方和最小。 此准则称为最小二乘准则或最小平方准则，依据此准则估计回归模型参数 、 的方法就是最小二乘法。 最小二乘法(Method of Least Squares ) 正规方程组 整理得 正规方程组 正规方程组 最小二乘估计的性质 一元线性回归模型构建实例 【例】一大型牙膏制造公司为了更好地拓展产品市场，有效地管理库存，公司董事会要求销售部门根据市场调查，找出公司生产的牙膏销售量与广告费用之间的关系。为此，销售部门人员收集了过去30个销售周期（每个销售周期为4个星期）公司生产的牙膏销售量与广告费用的数据。以广告费用为自变量，销售量为因变量，构建一元线性回归方程，解释回归系数的意义。 一元线性回归模型构建实例 表 牙膏销售量与广告费用的数据 销售周期 销售量/百万支 广告费用/百万元 1 7.38 5.50 2 8.51 6.75 3 9.52 7.25 4 7.50 5.50 5 9.33 7.00 … … … 26 9.21 6.80 27 8.27 6.50 28 7.67 5.75 29 7.93 5.80 30 9.26 6.80 一元线性回归模型构建实例 解 表示广告费用， 表示牙膏销售量。利用观察数据计算得到： 一元线性回归模型构建实例 解 广告费用对牙膏销售量的样本回归方程为： 回归系数 表示广告费用每增加1百万元，牙膏销售量平均增加1.043百万支；广告费用每减少1百万元，牙膏销售量平均减少1.043百万支。 一元线性回归模型构建实例 解 INTERCEPT函数的功能是返回依据观察数据构建的线性回归直线截距，SLOPE函数的功能是返回依据观察数据构建的线性回归直线斜率。二者的语法结构相同，为 INTERCEPT（known_ys，known_xs） SLOPE（known_ys，known_xs） 其中：known_ys为因变量观察数据所在区域；known_xs为自变量观察数据所在区域。 小结 1.最小二乘法 2.正规方程组 3.一元线性回归模型构建实例 思考练习 利用Excel软件中的LINEST函数求解以广告费用为自变量、销售量为因变量的一元线性回归模型中的参数估计值。