第六讲某车企汽车年销量预测案例.pptx

某车企汽车年销量预测案例信息技术教学中心学习要点分析方法： -散点图、序列图、线性回归、曲线拟合、非线性回归分析过程转换：计算变量、个案排秩表：设定表统计图：直方图、散点图、序列图描述统计：序列图比较均值：均值回归：线性、曲线估计、非线性回归信息技术教学中心案例背景年份19881989199019911992199319941995199619971998199920002001销量/万辆65595171106130135145146157160183208236信息技术教学中心 现有某汽车企业1988——2001年的汽车销售量数据，如下表所示。为了制定企业的长期市场发展计划，管理者希望能够预测出至2011年的汽车销量。 分析思路与商业理解信息技术教学中心本研究的制约因素可用信息量少未来趋势的变化基于以上原因，预测2~3年内的汽车销量应当是本案例更为合适的研究目标。数据理解信息技术教学中心由于本数据比较简单，因此数据理解的重点可用放在两变量间数据关联趋势的了解上，因此首先使用散点图对数据的变化规律进行观察，步骤如下：选择“图形”——“图表构建程序”菜单命令将散点图图标拖入画布将year拖入X轴框，sales拖入Y轴框确定数据理解信息技术教学中心扩展阅读 简单地说，散点图在用于回归分析前的预分析时，可提供如下三类关键信息变量之间是否存在数量关联趋势。如果存在关联趋势，那么是线性的，还是曲线的数据中是否存在明显偏离散点图主体较远的散点，它们是否可能在建模时成为强影响点。数据理解信息技术教学中心数据理解信息技术教学中心根据散点图的显示1988~1992年的数据出现异常，因此将在后面建模时把其删除，不再进入后续分析。筛选数据并进行变量转换信息技术教学中心筛选数据：数据——选择个案选择“如果条件满足”——如果——输入“year=1993”继续输出——删除未选定个案确定变量转换：转换——计算变量目标变量：time数字表达式：$casenum确定线性回归模型简介信息技术教学中心?回归模型的适用条件信息技术教学中心线性趋势：自变量和因变量的关系是线性的，如果不是，则不能采用线性回归来分析，可以通过散点图来判断。独立性：可表述为因变量y的取值相互独立，之间没有联系。反映到模型中，实际上就是要求残差间相互独立，不存在自相关，否则应当采用自回归模型来分析。这可以用D-W统计量来考察，另外一种常用的工具为自相关和偏相关图，它们比D-W统计量更为直观和敏感。正态性：就自变量的任何一个线性组合，因变量y均服从正态分布。方差齐性：就自变量的任何一个线性组合，因变量y的方差均相同，实质上就是要求残差的方差齐性。信息技术教学中心注意： 本案例使用回归模型对序列数据进行分析，数据的顺序代表了时间变化的方向，相邻数据间非常容易出现相关性。因此在本案例分析时残差有无相关时必须加以考察的。如果模型的决定系数非常高，自相关趋势非常弱，则问题影响不大，否则应当考虑使用自回归模型来分析。变量变换后拟合线性回归模型信息技术教学中心?变量变换信息技术教学中心转换——计算变量Time2=time*time二次方曲线直线化拟合0~1取值，越接近1越好标准回归系数信息技术教学中心分析——回归——线性将sales选入“因变量”列表框，将time,time2选入“自变量”列表框确定分析结果信息技术教学中心通过系数表可以写出回归方程如下： 销量=138.976-5.998*time+1.821*time2当time=0，即时间为1993-1=1992时，销量的模型估计值为138.976，显然这个数值和实际值差的有点远，因为1993年之前的数据趋势并不服从现在拟合的模型，所以这个估计值没有实际的意义。销量和时间的一次项负相关，二次项正相关。模型拟合效果的判断取值1~4之间，大于上界则说明残差独立，低于下界则说明相互关联信息技术教学中心预测模型建立后，模型的预测精度究竟如何是非常关心的问题，除了使用回归模型中的一些诊断指标外，也可以使用针对时间序列预测的一些专门指标加以判断。残差独立性检验：使用“统计量”子对话框中，选中“Durbin-Watson”统计量复选框，结果如下：一般地，若自变量数少于4个，统计量大于2，基本上肯定残差间相互独立。模型拟合效果的判断信息技术教学中心残差分布的图形观察 在“绘制”子对话框中，选中“直方图”和“正态概率图”复选框。结果如下：模型拟合效果的判断信息技术教学中心模型拟合效果的判断信息技术教学中心绘制残差序列图 在“保存”子对话框中，选中“标准化残差”复选框确定依次单击“分析”——“预测”——“序列图”变量框：选入ZRE_1时间轴标签框：选入year确定信息技术教学中心存储预测值和区间估计值信息技术教学中心本案例建立模型，不是为了找到年代对销量的影响