DMD-6-回归模型复习课件.ppt

.iuu .iuu .iuu .iuu .iuu .iuu .iuu .iuu * 第九章 回归模型 　　对于一个工商管理人员来说，相当重要的管理决策能力之一是敏锐地洞察商业或生产中数据的发展趋势，并且在已认识的趋势基础上对未来做出正确的预测。而能够做到这一点的强有力的工具之一就是所谓的“回归模型”。 数 据 模 型 决 策 .......... * 9.1 简单线性回归模型及预测 例9.1 广告花费与销售额的预测 某公司销售额数据 yt（第 t 月的销售额）与 广告花费数据 xt （第 t 月的广告花费）如表。 数 据 模 型 决 策 .......... * 9.1 简单线性回归模型及预测 例9.1 广告花费与销售额的预测 由表中数据可以绘制一张散点图！ 数 据 模 型 决 策 .......... * 9.1 简单线性回归模型及预测 从散点图中，你有何发现？ 数 据 模 型 决 策 yt 与xt 之间似乎存在不太精确的线性函数关系！ 那么，我们能不能想象出（或确定出）一条直线来反映这一关系（或规律）呢？ 关键的问题是如何才能 “ 最好地 ” 反映这一关系！ .......... * 9.1 简单线性回归模型及预测 简单线性回归模型（一元线性回归模型）： 数 据 模 型 决 策 yt = ? + ?xt + ?t t = 1，2，…，n ?1 ，?2 ，… ?n ， iid ，～N（0，?） 称 y = ? + ?x 为线性回归函数（或回归直线）， ? ， ? 是两个重要的参数， 为回归系数。 为了使回归直线能 “ 最好 ” 地反映数据对（x1，y1）， （x2，y2） ，…， （xn，yn）所描述的 y 与 x 之间的关系，就需要确定? ，? 的值，所采用的方法——“最小二乘”估计法。 ? .......... * 9.1 简单线性回归模型及预测 最小二乘估计 ? ， ?： 数 据 模 型 决 策 ? = ? ∑n i=1 （xi – x ）（yi – y ） ∑n i=1 （xi – x ）2 ? = ? y - ? x ? .......... * 9.1 简单线性回归模型及预测 由上述分析可以计算得到例 9.1中 数 据 模 型 决 策 ? = 13.88 ? ? = - 998 ? 如果模型成立，即可得回归直线： y = - 998 + 13.88 x ? .......... * 9.1 简单线性回归模型及预测 数 据 模 型 决 策 .......... * 9.1 简单线性回归模型及预测 在以上的分析中，我们始终有一个前提—— “ 如果模型成立 ”。那么模型究竟能否成立呢？ 从管理实际角度再对模型加以定性的思考： 广告效应的 “ 滞后 ” 性！ 我们采用另一个线性回归模型： yt = ?1 + ?1xt-1 （t = 1，2，…，n） 这样，可以得到另一条回归直线： y = 335.9 + 13.9 x 数 据 模 型 决 策 ? .......... * 9.1 简单线性回归模型及预测 至此，我们得到了两个线性回归模型： 1、 y = - 998 + 13.88 x 2、 y = 335.9 + 13.9 x 这两个线性回归模型都可以对未知的月销售额进行预测。但是，哪一个模型更有效呢？ 解决这一问题的方法是——对预测的误差进行比较！ 即采用均方残差 MSE 进行比较。 数 据 模 型 决 策 MSE = 1 n ∑n i=1 （yi – yi ）2 ? ? ? .......... * 9.1 简单线性回归模型及预测 从两个模型的均方残差 MSE 来考虑，我们应该选择 MSE 较小的模型，即选择 x t-1 与 yt 的模型略好些，直观的含义