第十章_相关回归分析市场预测法.ppt

第十章 相关回归分析预测法 相关回归分析概述 一元线型回归分析 多元线型回归分析 非线性回归分析与自相关回归分析 10.1 相关回归分析概述 回归（regression）这一术语来自英国人Francis Galton和他的朋友Karl Pearson对父亲身高与儿子身高之间关系的研究。他们发现父亲与儿子的身高有着显著的正相关关系，并且身高的变化不是两级分化而是“趋同”。 回归是研究某一变量与其它一个或是多个变量之间的关系。 回归的方法目前在经济学与管理学中有着越来越广泛的运用，而计量经济学也是经济学中一个重要的分支，或者说是经济学与管理学研究的重要方法。是一门很深的学问。 10.1.1 市场变量之间的因果关系 市场蕴含着纷繁复杂的各种变量，而各种变量之间却又有着某种依存关系。回归的目的就是要推定一个变量对另一个变量所具有的因果效应。 比如，在分析消费需求时，我们想知道商品价格变化对其需求量的影响，只要保持其他因素（收入、其他商品价格、个人偏好等）都不变，这时价格变化与需求量之间就存在一种因果关系。 在经济预测中，人们把预测对象当作因变量，把那些与预测对象有关的因素当作自变量，收集自变量的充分数据，应用相关理论知识，建立回归方程，并进行预测。 比如，我们要预测某地区工业增加值，就可以利用C-D生产函数建立回归模型，这时因变量就是工业增加值，自变量有资本投入、劳动投入、技术进步的因素等。 回归预测法中的自变量与因变量之间，有的属于因果关系，有的属于伴随关系。不能认为只有因果关系才能进行回归预测，实际上伴随关系也是一种相关关系，只要收集大量的足够的资料，也可以用回归预测法进行预测。 比如，夏天饮料的需求量与儿童溺水数量之间存在高度的相关关系，但是根据常识我们可以判断两者之间并没有因果关系。但是我们如果掌握了充分的数据，还是可以作出相关的预测。 10.1.2 回归分析的种类与基本步骤 一、回归预测法的种类 1．一元回归预测(古典线型回归)。　一元回归预测就是用相关分析法分析一个自变量和一个因变量之间的相关关系，并进行预测。例如，从居民货币收入预测某种耐用消费品的销售量；从工人劳动生产率预测利润额；从施肥量预测农作物的产量。 2．多元回归预测。　多元回归预测就是分析因变量与若干个自变量的相关关系，建立多元回归方程，从若干自变量的变化去预测因变量的变化程度和未来的数量状况。例如，从施肥量、气温、降雨量去预测某种农作物的收获率；从商业企业的职工劳动生产率和流通费率去预测利润率等等。 3．自回归预测。　自回归预测就是用一个时间数列的因变量数列与向过去推移若干时期的一个或几个自变量数列进行预测。例如对按月编制的时间数列，用今年1～12月的数列作为因变量数列， 用以前某月至某月的数列作为自变量数列，计算其相关系数，建立回归方程进行预测。 还可分为线性回归方程预测和非线性回归方程预测两种。 二、回归分析的基本步骤 1、凭借研究者的理论和经验确定分析对象之间的相关关系，确定因变量。 2、筛选自变量。分析各自变量与因变量之间的相关关系，观察其相关关系的表现形式及密切程度。选用那些与因变量关系最为密切的自变量。在用多元回归预测时，还要分析各自变量之间的相关关系，选用那些关系不密切的自变量。如有两个自变量相互关系很密切，则应舍弃其中的一个。 3、确定回归方程式。根据理论分析和相关分析，确定用怎样的回归模型来进行分析，这也是回归分析的关键和难度所在。 4、相关检验。对回归方程估计结果进行相关系数、显著性、t检验等等，确定回归模型的适用性。 5、预测。 10.2 一元线型回归分析 一元线型回归（古典线型回归）预测是指成对的两个变量数据分布大体上呈直线趋势时，运用合适的参数估计方法，求出一元线性回归模型，然后根据自变量与因变量之间的关系，预测因变量的趋势。 很多社会经济现象之间都存在一一对应的相关关系，因此，一元线性回归预测有很广泛的应用。比如，家庭的消费支出与家庭收入之间存在很强的相关关系，甚至是一种线型关系。 10.2.1 一元线型回归基础 一、线性回归模型及其假定 一般地，一元线型回归模型具有如下形式： yi=α+βxi+εi，i=1,…,n, 其中y是因变量或称为被解释变量，x是自变量或称为解释变量，i标志n个样本观测值中的一个。 构成古典线性回归模型的一组基本假设为： 1. 函数形式： yi=α+βxi+εi，i=1,…,n, 2. 干扰项的零均值：对所有i，有： E[εi]=0。 3. 同方差性：对所有i，有： Var[εi]=σ2，且是一个常数。 4. 无自相关：对所有 i≠j， 则 Cov[εi,εj]=0。 5. 回归量和干扰项的非相关：对所有i和j有 Cov[xi,εj]=0。 6.