回归分析方法及其应用中的例子.docxVIP

.

.

.

.

3.1.2虚拟变量的应用

例3.1.2.1：为研究美国住房面积的需求，选用3120户家庭为建模样本，回归模型为：

logQ=?

1

?logP??

2 3

logY

其中：Q——3120个样本家庭的年住房面积（平方英尺）横截面数据

P——家庭所在地的住房单位价格Y——家庭收入

经计算：logy=4.17?0.247logP?0.96logY R2?0.371

（0.11）（0.017） （0.026）

上式中?=?0.247的价格弹性系数，?=0.96的收入弹性系数，均符合经济学的

2 3

常识，即价格上升，住房需求下降，收入上升，住房需求也上升。

但白人家庭与黑人家庭对住房的需求量是不一样的，引进虚拟变量D：

??0 黑人家庭

?

D ?

i ?1 白人家庭或其他家庭

模型为：logQ=?

1

??D??

1 2

logP??

2

DlogP??

3

logY??

3

DlogY

例3.1.2.2：某省农业生产资料购买力和农民货币收入数据如下：（单位：十亿元）

1975

1.3

4.7

0

1976

1.3

5.4

0

1977

1.4

5.5

0

1978

1.5

6.9

0

1979

1.8

9.0

1

1980

2.1

10.0

1

1981

2.3

11.3

1

1982

2.6

13.4

1

1983

2.7

15.2

1

1984

3.0

19.3

1

1985

3.2

27.8

1

年份农资购买力

年份

农资购买力y

i

农民货币收入x

i

D

i

y??1.0161?0.09357x R2?0.8821 S

y

?0.2531 F?67.3266

②带虚拟变量的回归模型，因1979年中国农村政策发生重大变化，引入虚拟变量来反映农村政策的变化。

?1 i?1979年D??

?1 i?1979年

i ?

建立回归方程为：

y??0.9855?0.0692x?0.4945D

（9.2409）（6.3997）（3.2853）

R2?0.9498 S

y

?0.1751 F?75.6895

虽然上述两个模型都可通过显著性水平检验，但可明显看出带虚拟变量的回归模型其方

差解释系数更高，回归的估计误差（S ）更小，说明模型的拟合程度更高，代表性更好。

y

岭回归的举例说明

企业为用户提供的服务多种多样，那么在这些服务中哪些因素更为重要，各因素之间的重要性差异到底有多大，这些都是满意度研究需要首先解决的问题。国际上比较流行并被实践所验证，比较科学的方法就是利用回归分析确定客户对不同服务因素的需求程度，具体方法如下：

假设某电信运营商的服务界面包括了A1……Am共M个界面，那么各界面对总体服务满意度A的影响可以通过以A为因变量，以A1……Am为自变量的回归分析，得出不同界面服务对总体A的影响系数，从而确定各服务界面对A的影响大小。

同样，A1服务界面可能会有A11……A1n共N个因素的影响，那么利用上述方法也可以计算出A11……A1n对A1的不同影响系数，由此确定A1界面中的重要因素。

通过两个层次的分析，我们不仅得出各大服务界面对客户总体满意度影响的大小以及不同服务界面上各因素的影响程度，同时也可综合得出某一界面某一因素对总体满意度的影响大小，由此再结合用户满意度评价、与竞争对手的比较等因素来确定每个界面细分因素在以后工作改进中的轻重缓急、重要性差异等，从而起到事半功倍的作用。

例3.5.4：对某地移动通信公司的服务满意度研究中，利用回归方法分析各服务界面对总体满意度的影响。

直接进入法

显然，这种方法计算的结果中，C界面不能通过显著性检验，直接利用分析结果是错误

的，见表3.5.4.1：

UnstandardizedCoefficientsStandardizedCoefficientstBStd.

UnstandardizedCoefficients

StandardizedCoefficients

t

B

Std.Error

Beta

Sig.

(Constant)

1.621

0.142

11.383

0.000

A

0.183

0.024

0.178

7.541

0.000

B

0.112

0.027

0.100

4.213

0.000

C

0.034

0.027

0.031

1.276

0.602

D

0.108

0.020

0.131

5.461

0.000

E

0.069

0.024

0.068

2.845

0.004

F

0.056

0.022

0.059

2.525

0.012