数学建模——商品需求量的预测.docxVIP

实验十三 商品需求量的预测 【实验目的】 1．了解回归分析的基本原理和方法。 2．学习用回归分析的方法解决问题，初步掌握对变量进行预测和控制。 3．学习掌握用 MATLAB 命令求解回归分析问题。 【实验内容】 现有某种商品的需求量、消费者的平均收入、商品价格的统计数据如表 1 所示，试用所提供的数据预测消费者平均收入为 1000、商品价格为 6 时的商品需求量。 需求量 100 75 80 70 50 65 90 100 110 60 收入 1000 600 1200 500 300 400 1300 1100 1300 300 价格 5 7 6 6 8 7 5 4 3 9 【实验准备】 现实生活中，一切事物都是相互关联、相互制约的。我们将变化的事物看作变量，那么变量之间的相互关系，可以分为两大类：一类是确定性关系，也叫作函数关系，其特征是一个变量随着其它变量的确定而确定，如矩形的面积由长宽确定；另一类关系叫相关关系，其 特征是变量之间很难用一种精确的方法表示出来，如商品销量与售价之间有一定的关联，但由售价我们不能精确地计算出销量。不过，确定性关系与相关关系之间没有一道不可逾越的鸿沟，由于存在实际误差等原因，确定性关系在实际问题中往往通过相关关系来体现；另一方面，当对事物内部规律了解得更加深刻时，相关关系也可能转化为确定性关系。 1．回归分析的基本概念 回归分析就是处理变量之间的相关关系的一种数学方法，它是最常用的数理统计方法， 能解决预测、控制、生产工艺化等问题。由相关关系函数确定形式的不同，回归分析一般分 为线性回归、非线性回归和逐步回归，在这里我们着重介绍线性回归，它是比较简单的一类 回归分析，在实际问题的处理中也是应用得较多的一类。 回归分析中最简单的形式是 y ＝ ? ＋ ? 0 1 x ＋ ? （ x 、y 为标量） （1） 固定的未知参数? 0 ，? 称为回归系数，自变量 x 称为回归变量，? 是均值为零的随机变量， 1 它是其他随机因素对 y 的影响，是不可观察的，我们称（1）为一元线性回归。它的一个自 然推广是 x 是多元变量，形如 y ＝ ? ＋ ? 0 1 x ＋…＋ ? 1 m x ＋ ? （2） m m ≥2，我们称为多元线性回归，或者更有一般地 y ＝ ? ＋ ? 0 1 f (x) ＋…＋ ? 1 m f (x) ＋ ? （3） m 其中 x ＝（ x 1 ，…， x m ）， f (x) （ j ＝1，…， m ）是已知函数，称为非线性回归（也叫 j 曲线或曲面回归）。不难看出，对自变量x 作变量替换，一般能够将非线性回归（3）转化为 线性回归（2）的形式进行求解分析，所以我们着重讨论线性回归的内容。对（2）式两边同时取数学期望得 Y ＝ X ? ＋ ? （ E ? ＝0， D ? ＝? 2 ） （4） 其中 1 x … x y 11 1m 1 X ＝ … … … Y ＝ … 1 x … x y n1 nm n ? ＝（ ? ， ? ，…， ? ）T， ? ＝（ ? ， ? ，…， ? ）T 0 1 m 1 2 n （4）式称为线性回归方程。线性回归分析所要考虑的主要任务是：用试验值（样本值）对 未知参数 ? 和? 2 作点估计，同时对估计值作假设检验，从而确立y 与 x 1 ，…， x m 之间的 数量关系；在x 0 ＝（ x 01 ，…， x 0m ）处对 y 值作预测与控制，即对y 作区间估计。这里我 们均假设样本容量大于变量个数，即n ＞ m ＋1。 2．模型的参数估计和假设检验 用最小二乘法估计模型（4）中的参数，作离差平方和 Q ＝ ?n ? 2 i i ?1 ＝ ?n ( y i i ?1 ? ? ? ? x 0 1 i1 ?..... ? ? x m im ) 2 （5） 求 ? 使得Q 达到最小。根据微积分学中求极值的方法，只需求Q 关于 ? 0 ，? ，…，? 一 1 m 阶导数为 0 的方程组的解，此解不是? ? ? ? 0 ，? ，…，? 1 m 的真值，而是 ? 的最小二乘估计值， 我们用 ? 0 ， ? ，…， ? 表示 1 ?m ? ? ? ＝ ( X?T X ) ?1 X T Y （6） 将 ? 的估计值 ? ， ? ，…， ? 代入回归方程（4）得到 y 的估计值 0 1 ? ? m ? ? y ＝ ? 拟合误差＝— y 称为残差 拟合误差 ＝ — y 称为残差，可作为随机误差 e y ＋ ? 1 x ＋…＋ ? x m的估计，而1m? m 的估计，而 1 m （7） Q ＝ ?n e 2 ＝ ?n i (y ? i ? ) 2 （8） yi y i ?1 i ?1? 为残差