对《多元线性回归模型在物流成本预测中的应用》的解读.docx

对《多元线性回归模型在物流成本预测中的应用》的解读一. 内容简介本文以国家宏观物流成本数据为研究对象，应用多元回归分析理论，对影响物流成本的相关指标进行分析，建立了线性回归模型，通过物流成本的统计分析，使企业可以从全局的角度了解自身的物流运作现状，明确目前关键的瓶颈问题以及突破口，提出解决的方法，以提高企业整体的运作绩效。二．研究过程（一）变量选择全国宏观物流成本总额()由运输成本（）、保管成本（）、包装及货损成本（）、信息及管理成本（）组成，根据1996—2012年统计数据（见表1）进行多元线性回归分析。表1 1996-2012年我国宏观物流成27831.81863.98755.213775.2719973479.921073.15923.43800.0784279.57819983835.471080.251084.51920.77492319994484.621180.791324.61046.46037.4120004814.341484.351599.781169.67068.0720015332.082093.072341.1616579422.3120026284.412506.52815.152065.811669.8620036181.032699.62908.682191.811978.1120045909.082593.623372.542676.8612548.120056726.752150.533361.872631.3912865.5420067293.91828.344083.12839.0714038.4120077719.871934.324500.93010.1415158.2320088125.481886.165119.063419.1216541.8220098759.882088.966340.672921.8818102.39201010165.862316.257794.663208.1620474.92201110879.822510.538776.163379.2322847.54201211955.272667.649684.273864.2924231.14（二）数据分析输入数据到EViews，进行回归分析，回归分析结果（见表2）。表2 Y-X1、X2、X3、X4最小二乘法回归结果Dependent Variable: YMethod: Least SquaresSample: 1996 2012Included observations: 17VariableCoefficientStd. Errort-StatisticProb.??C-1757.210768.0691-2.2878280.0411X10.9284330.2854243.2528270.0069X20.9276050.2062804.4968340.0007X30.7672290.2216083.4621040.0047X41.4770410.2397656.1603660.0000R-squared0.998212?Mean dependent var12703.63Adjusted R-squared0.997616?S.D. dependent var6362.436S.E. of regression310.6257?Akaike info criterion14.55498Sum squared resid1157860.?Schwarz criterion14.80005Log likelihood-118.7174?Hannan-Quinn criter.14.57934F-statistic1675.155?Durbin-Watson stat2.156717Prob(F-statistic)0.000000 由运行结果看出，可决系数与均接近于1，综合度量回归模型对样本观测值拟合优较好；取=0.05，F检验值为1675.155，P值约等于0，说明结果显著；再通过自变量、、、的pro(t-Statistic)值看它们的拟合效果，分别是0.0411、0.0069、0.0007、0.0047和0.0000，，其pro(t-Statistic)值均小于，结果显著，拒绝原假设，说明它们与显著相关，通过t检验。回归方程为： (1)（三）统计检验1.异方差性检验对上述模型（1）利用怀特（White）检验方法：首先，利用OLS估计模型（1）获得残差；其次，作残差平方对所有原始变量、变量平方、变量交叉乘积的回归分析，得到辅助方程；最后，检验的零假设是:不存在异方差，对辅助方程的作检验。回归模型（1）的残差平方与、、、及其平方项与交叉项作辅助回归，得表3：Dependent Var