管理经济学课件第一章、第二章.ppt

* * * 18 * 22 * 30 * 30 * 1 * 8 * 2 * 9 * 10 * 12 一个案例：1、需求函数估计的步骤 使用统计方法估计一个需求函数包括下列步骤： 1、识别变量 2、收集数据 3、确定模型 4、估计参数 5、进行预测 因变量(dependent variable) -- 其变动要被说明的变量（如商品销售量, 总成本，销售收益等）。 解释变量(explanatory variable) -- 被认为导致因变量取不同数值的各种变量。 在一个简单的线性回归模型中，因变量Y只与一个解释变量X相关，二者之间的关系是线性的： Y = a + bX 需求信息的来源 消费者调查 对消费者进行抽样，询问他们对产品的态度 消费者“诊所”（Consumer Clinics） 试验小组力求仿效一个市场 市场试验 通过试定不同价格得到需求的信息 历史数据 过去发生的事情是未来的指导 函数形式 线性 Q = a + bP + cI 其中P为价格，I为收入 每个变量的影响都是固定不变的。 每个变量的影响与其它变量无关。 价格弹性: E P = bP/Q 收入弹性: E I = cI/Q 幂函数 Q = A ·P b ·I c 每个变量的影响都取决于其它所有的变量，不是固定不变的。 其对数为线性形式 ln Q = a + bln P + cln I 价格弹性为b 收入弹性为c 管理人员进行决策，必须要掌握构成各种函数的变量之间的数量关系。确定变量之间具体数量关系的就是参数，如果总成本(C)与生产量(Q)之间的关系如下 C= a +bQ +cQ2 +dQ3 那么a,b,c和d就是成本方程的参数。一旦参数确定，就可以计算出不同产量下的总成本。 寻找一个方程的参数值的过程就叫作参数估计，最常用的一种估计参数方法就是回归分析。回归分析是使用经济变量的数据来确定说明经济变量关系的数学方程。 例: 一个假设的回归模型 3000 4000 9000 10000 30000 25000 55000 广告支出 （月） 销售额(月) 真实的回归直线：反映销售额与广告支出之间的关系 真实的回归直线 S=10000+5A 用历史数据拟合一条回归直线 用来拟合回归直线的数据： 时间序列数据(time-series)—某一厂商不同时间因变量和解释变量的数据 横断面数据(cross-sectional)——不同厂商同一时间因变量和解释变量的数据 七个厂商样本的 销售额与广告支出 厂商 销售额 广告支出 A 15000 2000 B 30000 2000 C 30000 5000 D 25000 3000 E 55000 9000 F 45000 8000 G 60000 7000 样本回归直线 样本回归直线 7000 A S 10000 简单线性回归方程 参数a和b的计算公式 普通的最小平方法: 假设 求解工具 误差平均数为零，且具有有限同方差 因变量是随机的 自变量是独立变化的，是可控的 各种电子表格 统计专用计算器 统计软件（Minitab, SAS, SPSS） Excel中的工具/数据分析 eview中的数据/回归分析等。 第二个案例：四川的酒类消费（1998） Log B = KB – 0.164log PB – 20.23logY Log W = KW – 0.539log PW – 7.552logY P = 价格 Y = 人均收入 B = 啤酒消费量 W = 白酒消费量 1423 个调查对象 上述方程说明啤酒消费量与价格、人均收入均成反比 上述方程说明白酒消费量与价格、人均收入均成反比 啤、白酒消费量与价格成反比可以理解，与人均收入均成反比说明收入提高后人们喝红酒及果渍等其他饮料。 第三个案例： IBM对市场需求的估计 经济状况（收入）E 计算机的市场普及率O IBM计算机的价格PI 竞争对手的价格PC Q=E α ×O β ×PγI × PδC lnQ=αlnE+βlnO+γlnPI+δlnPC） 问题思考：方程中系数的直观含义是什么？ 需求估计中的“陷阱” 市场需求不等于企业需求