作业公司的销售额预测.docVIP

公司的销售额预测 摘 要 在现代经济活动中,预测公司销售额是指导企业经营决策的重要因素,是至关重要的一部分.通过 销售预测可以加强计划性,减少盲目性,取得较好的经济效益. 销售收入预测的方法主要有 时间序列法、 因果分析法和 本量利分析法等. 时间序列法,是按照时间的顺序,通过对过去几期实际数据的计算分析,确定预测期产品销售收入的预测值. 由于公司销售额和行业销售额等经济变量均有一定的滞后性,因此,在这样的时间序列数据中,同一变量的顺序观测值之间出现相关现象是很自然的.然而,一旦数据中存在这种自相关序列,如果仍采用普通的回归模型直接处理,将会出现不良后果,其观测也会失去意义,为此,我们必须先来检验数据是否存在自相关,一旦存在,就要考虑自相关关系,建立新的模型. 文章运用软件中的一些时间序列建模方法及回归分析方法对某商品的季度销售额做了预测分析,得到了较高的预测精度,在实际应用中预测值的准确对于指导商家的战略决策起着重要作用. 关键词 时间序列 回归分析 检验  问题重述与分析 背景分析 在现代经济活动中,预测公司销售额是指导企业经营决策的重要因素,是至关重要的一部分.所谓销售收入预测是企业根据过去的销售情况,结合对市场未来需求的调查,对预测期产品 销售收入所进行的预计和测算,用以指导 企业经营决策和产销活动.通过 销售预测可以加强计划性,减少盲目性,取得较好的经济效益. 二、问题重述 某公司想用全行业的销售额作为自变量来预测公司的销售量,表中给出了1977—1981年公司的销售额和行业销售额的分季度数据(单位：百万元) 年 季 公司销售额 行业销售额 年 季 公司销售额 行业销售额 1977 1 1 20.96 127.3 1979 3 11 24.54 148.3 2 2 21.40 130.0 4 12 24.30 146.4 3 3 21.96 132.7 1980 1 13 25.00 150.2 4 4 21.52 129.4 2 14 25.64 153.1 1978 1 5 22.39 135.0 3 15 26.36 157.3 2 6 22.76 137.1 4 16 26.98 160.7 3 7 23.48 141.2 1981 1 17 27.52 164.2 4 8 23.66 142.8 2 18 27.78 165.6 1979 1 9 24.10 145.5 3 19 28.24 168.7 2 10 24.01 145.3 4 20 28.78 171.7 表1 公司的公司销售额和行业销售额的分季度数据(单位：百万元) (1)画出数据的散点图,观察用线性回归模型拟合是否合适. (2)建立公司销售额对全行业的回归模型,并用DW检验诊断随机误差项的自相关性. (3) 建立消除了随机误差项自相关性之后的回归模型. 三、问题分析 销售收入预测的方法主要有 时间序列法、 因果分析法和 本量利分析法等. 时间序列法,是按照时间的顺序,通过对过去几期实际数据的计算分析,确定预测期产品销售收入的预测值. 表1 的数据是以时间顺序为序列的,称为时间序列.由于公司销售额和行业销售额等经济变量均有一定的滞后性,因此,在这样的时间序列数据中,同一变量的顺序观测值之间出现相关现象是很自然的.然而,一旦数据中存在这种自相关序列,如果仍采用普通的回归模型直接处理,将会出现不良后果,其观测也会失去意义,为此,我们必须先来检验数据是否存在自相关,一旦存在,就要考虑自相关关系,建立新的模型. 定义与符号说明 行业销售额 公司销售额 公司销售额的估计值 模型的建立与求解 一、基本统计回归模型建立 以行业销售额为自变量、以公司销售额为因变量的散点图,其中 图1 对的散点图 从图1可以看出,随着行业销售额的增加,公司销售额也增加,而且两者有很强的线性关系,因此可以建立线性回归模型 ,为随机误差 假设与是相互独立的,且服从均值为零的正态分布. 由表1的数据以及上述线性回归模型的假设,进行数据处理,得到回归系数估计值及其置信区间和检验统计量,见表2. 参数 参数估计值 置信区间 -1.45475 [-1.90465 -1.00485] 0.176283 [0.173248 0.179318] 表2 模型(1)的计算结果 将参数估计值代入得到, 由表2知,几乎处处可由确定.用作出其交互式画面,由此可以给出不同水平下的预测值及其置信区间,通过左方的下拉式菜单,可以输出模型的统计结果,见图2. 图2 回归分析中的交互式画面 自相关性的判别 我们可以看