市场调查与预测-吕亚荣-第13章 回归分析预测方法.pptxVIP

第13章 回归分析预测方法;学习目标：;13.1 一元线性回归模型分析;13.1 一元线性回归模型分析 回归模型是描述因变量如何依赖于自变量和随机误差项的方程。线性回归分析是调研人员经常使用的研究变量间关系和预测建模的方法。在市场调研中，线性回归模型可以被广泛用于分析影响市场占有率、销售量、利润额的因素，并对其发展进行预测。 一元线性回归模型分析的主要步骤： （１）根据研究需要选择自变量和因变量，绘制散点图； （２）根据变量数据类型选择适当的回归模型； （３）进行回归模型的参数估计； （４）进行回归模型的检验； （５）进行市场预测。 ;13.1.1 构建一元线性回归模型 一元线性回归模型是只涉及一个自变量x和因变量y之间关系的模型。一元线性回归在一定的精确度下估计因变量和自变量之间的相关关系，并依据回归模型对因变量进行预测。 模型显示，变量y和x之间的关系由两个部分来描述：一是确定性函数关系，由回归 函数β０＋β１x给出，解释由x的变化而引起的y的变化的部分；二是随机误差项ε，恰恰是随机误差项的引入，才使变量间的关系可以被描述为一个随机方程。 ;;;;;根据微积分求导数的极值定理，可以得出一元线性回归方程的估计系数为： ;;;（3）置信区间。 按照给定的可靠程度确定估计系数的取值范围。构建t统计量为： 在一定的置信水平１－α下，根据t分布表查得tα／２（n-2）的临界值，使得: 进而推出参数β１的置信区间为： 同理。可得参数β０在置信水平为１－α时的置信区间为： ;;;;;（２）相关系数r。 相关系数r是一元线性回归方程中用来衡量自变量和因变量之间相关程度的重要指标，其值是判定系数的平方根。;;; （２）构建F统计量。 （３）确定临界值。 给定显著性水平α、分子自由度k和分母自由度n-k-1，查F分布表，可得临界值Fα（k，n-k-1）。一元线性回归方程中的k=1。 （４）进行统计决策。 将计算出的统计量F与Fα（k,n-k-1）进行比较。如果F＞Fα（k,n-k-1），则拒 绝H０，接受H１，说明自变量对因变量有显著影响，模型的线性关系是显著的。如果F＜Fα（k,n-k-1），则不能拒绝H０??说明模型的线性关系不显著，方程估计不可靠。 ;;;;;;;;;;;;;13.2 多元线性回归模型分析;13.2.1 多元线性回归模型的表达和估计 多元线性理论回归模型的表达形式为： 多元线性总体回归模型的表达形式为： 对上述模型两边求数学期望，可得多元线性样本回归方程： 如果利用最小二乘法估计模型的参数，那么与一元线性回归方程一样，也要求残差平方和达到最小。 ;多元线性样本回归模型的估计方程为： 与一元线性回归方程不同，多元线性回归方程的参数估计是对偏回归系数进行的估计，用来表达各个自变量对因变量的影响。 偏回归系数 的含义是：当控制 变量保持不变时，自变量x１每变化一个单位所引起的y的预期平均变化幅度。 同理，可以分别解释 的含义。 在多元回归分析中，所有自变量共同变动对因变量的影响，称为复相关，用判定系数R２ 来表示，可以用来解释总变差中由自变量解释的比例。如果一个多元回归分析中R２ 的 值为0.92，这说明因变量变差的92%可由自变量来解释。;;;;;;;;;;;;;;;;③方差齐性检验。 考察残差的方差齐性可以通过绘制因变量与各种残差的散点图进行观察。图13.3是SPSS软件输出的案例数据的回归标准化预测值和回归标准化残差的散点图，从中可以看出残差基本上在参考线的上下范围内波动，且波动幅度较小，没有残差绝对值大于3的情况，符合回归分析方差齐性的要求。;13.3 逻辑回归模型分析;13.3.1 从线性回归到逻辑回归的理论解释 假设线性回归方程为 。如果因变量y为定量数据， 那么与前面介绍的多元线性回归方程一样，采用最小二乘法估计β１，β２，…，βk的值。 当因变量yi 的取值为０、１两个值时，因变量均值为： 因为y是０-１型贝努利随机变量，所以当yi=1时概率分布为: 当yi＝０时概率分布为： ;;;;;13.3.2 二元逻辑回归模型的应用 当因变量是二分类变量时，通常应用二元逻辑回归模型进行分析。根据逻辑函数的表达式，将线性回归方程改写为如下形式： 事件发生的概率： 事件不发生的概率： ;;;;二元逻辑回归案例：消费者新能源汽车购买意愿的影响因素分析。 该案例用于学生训练使用，学生实际操作和教材具体讲解相结合。案例数据资料可人大社网站下载，文件名为 “ch13 binary logistic reg”。详析参见教材第221-222页。 数据中