回归时间序列判别分析.pptx

回归分析 时间序列 判别分析 回归分析 是由一个（或一组）非随机变量来估计或预测某一个随机变量的观测值时，所建立的数学模型和所进行的统计分析，称为回归分析。如果这个模型是线性的，就称为线性回归分析。研究两个变量间的相关关系的回归分析，称为一元回归分析。一元线性回归模型 在一元回归分析里，我们要考察的是随机变量 与非随机变量 之间的相互关系。虽然 和 之间没有确定的函数关系。但是我们可以借助函数关系来表达它们之间的统计规律性。用以近似地描述具有相关关系的变量间的联系的函数，称为回归函数。 由于 与 之间不存在完全确定的函数关系，因此必须把随机波动产生的影响考虑在内。于是有一元线性回归模型的一般形式为其中 是固定的未知参数，也称为回归系数，自变量 是非随机可精确观测的， 是均值为0，方差为 的随机变量，在模型中它代表其他随机因素对Y产生的影响。记 ，则 ，称为 对 的回归直线方程。 一元线性回归分析的主要任务是用样本值对回归系数 和 作点估计；对 作假设检验；在 处对 作预测，并对 作区间估计。 的无偏估计为残差平方和参数 的置信水平为 的置信区间为参数 的置信水平为 的置信区间为参数 的置信水平为 的置信区间为用 的回归值 作为 的预测值，同时 的置信水平为 的预测区间为 用最小二乘法寻找参数 的估计值，使离差平方和达极小 经整理后,得正规方程组得到的解为：我们记：则解可以表示为：多元线性回归模型 有多个自变量的线性回归模型称为多元线性回归模型。假定 是一个可以观测的随机变量， 为k个自变量，且有现假定对于变量 与自变量 已得到n组观测数据如下： 与 观测值表在理论模型式（1）下，可以认为表中数据满足若记则上式可用矩阵表示为未知参数 估计式为于是，有经验回归方程为 的无偏估计为于是，有经验回归方程为对于给定自变量 ，用来预测 称 为 的点预测， 的 的置信区间为用spss进行回归分析某牙膏制造企业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销售价格、广告投入等之间的关系，从而预测出在不同价格和广告费用下的销售量。为此，销售部的研究人员收集了过去30个销售周期（每个销售周期为4周）公司生产的牙膏的销售量、销售价格、投入的广告费用，以及同期其它厂家生产的同类牙膏的市场平均销售价格，分析牙膏销售量与其它因素的关系，为制订价格策略和广告投入策略提供数量依据。牙膏销售量与销售价格、广告费用等数据　首先在spss中导入数据，由于差价是根据厂家自己定价和其他厂家平均价决定的，所有灵活性更好，将差价作为x1，将广告费作为x2，销量作为y。在spss中画出y与x1的散点图。以便我们观察y与x1的关系。　 由图中我们大致可以看出差价x1与销量y是线性关系。 画出y与x2的散点图，　我们大致的也可以看出y与x2也是线性关系。　所以我们可以认为y与x1、x2的关系是线性的。即：　y=ax1+bx2+c 所以我们在spss中做多元回归分析，得到结果如下。　其中R方=0.886表示y的88.6%可以有模型确定。 F=104.967F0.05(2,29)=3.33，显著性水平sig00.05。所以可以认为模型是可以用的。所以我们可以得到回归方程　Y=1.588X1+0.563X2+4.407　 所以我们就可以根据x1、x2的值来预测销量y。 由上面的回归方程我们可以看到x2的系数靠近0，也就是说其实销量Y的值跟x2的线性关系不是那么明显的，即说明这个回归方程式可以改进的，其实我们可以从y跟x2的散点图在x2=6.5的时候是有一定的弯曲的，所以我们对模型进行改进　y=ax2+bx2*x2+c用spss得到改进的结果 由上面我们可以看出R方=0.905比上面的要大说明，拟合的效果要好。 F=82.941F0.05(3,29)=2.93，显著性水平sig大约等于00.05。所以可以认为模型是可以用的。 由上面的表我们可以知道：Y=1.307X1-3.696X2+0.349X2*X2+1