第14章某汽车企业汽车年销量的预测.ppt

第14章某汽车企业汽车年销量的预测某汽车企业希望利用本企业过去一段时期的汽车销量历史数据来预测未来一段时期的汽车销量。在分析过程中，在数据描述之后，删除了相隔时间较远且波动规律并不相同的部分数据，利用时间较近的数据建立了曲线预测模型。利用曲线拟合过程从几个候选曲线模型中挑选出比较合适的一个用于预测，最后尝试使用非线性回归方法建立了分段回归模型加以比较。14.1案例背景现有某汽车企业1988—2001年的汽车销售量数据，想通过对数据的处理与分析得出预测值。14.1.1研究项目概况14.1.2分析思路和商业理解14.1.1研究项目概况现有某汽车企业1988—2001年的汽车销售量数据，如下表所示。为了制订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。年份20012002200320042005200620072008200920102011201220132014销量/万辆6559517110613013514514615716018320823614.1.2分析思路和商业理解在本案例中，需要在进行具体的分析操作之前慎重考虑一个问题：管理者希望能够预测出2015—2024年的汽车销量，这一目标能否实现？这个理想受到以下两个方面因素的制约。（1）可用信息量太少。14个年度销量的数据用于预测，显然这不是非常充裕的样本量,意味着所获得的预测模型的准确度可能不会太高，反映在建模结果上，就是预测值的区间估计值非常之宽，并且该宽度会随着预测年代的增加而迅速扩大。很可能在预测到未来5年以上时，该预测区间就会扩大到类似于±∞这种失去实际意义的范围。（2）未来趋势的变化。即使有上百个数据，中国飞速发展的汽车工业也在提醒研究者，市场瞬息万变，再精确的模型也无法预计市场或政策的大环境改变所带来的巨大影响。如果是工业生产线，或者严格控制条件下的实验室所产生的数据，预测这样大的时间跨度下序列的变化趋势界有可能，但是在涉及经济、社会领域时，这几乎是不可能完成的任务。14.2数据理解由于本数据比较简单，因此数据理解的重点可以放在两变量间数量关联趋势的了解上，因此首先应当使用散点图对数据的变化规律进行观察，如下图所示。从图中清楚地显示，随着年代的推移，该企业的汽车销量明显不呈线性。不仅如此，散点图反映出销量的变化似乎并非遵循同一个曲线变动。2001—2003年间销量呈反常的下降趋势，在2003—2006年间则呈现出恢复性的快速增长。考虑到2002年以后该企业管理者出了一些问题，直到2005年后对管理者进行调整才恢复正常经营，可以认为这几年间的销量是处于不正常时期，不能正确反映企业销量发展的规律。因此，在随后建模时考虑将2001—2005年的数据删除，不再进入后续分析，而只采用2006—2014年的数据进行建模。14.3变量变换后的线性回归线性回归指的是所有自变量对因变量的影响均呈线性关系。14.3.1线性回归模型简介14.3.2变量变换后拟合线性回归模型14.3.3模型拟合效果的判断14.3.4存储预测值和区间估计值14.3.1线性回归模型简介1.模型的基本结构设希望预测因变量y的取值，诸影响因素为自变量x1、x2、…、xm,,则自变量和因变量间存在如下关系：上式中表述了y的估计值，如果希望能够用公式精确地表示每一个体的测量值，则假设在相应的自变量取值组合下，相应的个体因变量实测值围绕平均水平上下波动，即yi可表示如下：其中ei为随机误差，被假定为服从均数为0的正态分布。即对每一个体而言，在知道了所有自变量取值时，我们能确定的只是因变量的平均取值，个体的具体取值落在其附近的一个范围内。具体取值和平均取值间的差异(即ei）称为残差，这部分变异是模型中自变量所不能控制的。14.3.1线性回归模型简介2.模型中的一些常用指标回归模型中常常使用一些专用的指标，常见的是以下3个。(1) 偏回归系数。(2) 标化偏回归系数。(3) 决定系数。3.回归模型的适用条件根据不同的分析目的，线性回归模型的适用条件会有所不同，这里给出一些基本的适用条件。(1) 线性趋势。(2) 独立性。(3) 正态性。(4) 方差齐性。14.3.2变量变换后拟合线性回归模型本例需要拟合曲线回归模型，但是统计学上发展最早、最成熟的是线性回归模型，有无办法将其方法体系利用到曲线回归方面去呢？答案非常简单，只要可能通过变量变换，将曲线方程变换为直线方程的形式，即可利用变换后的变量来进行“线性”模型的拟合。对本例而言，二次方、三次方和指