物流规划-第四章第二节.pptVIP

相关系数r的显著性检验统计检验一元线性回归检验回归方程显著性F检验回归系数显著性t检验拟合优度检验r2r2越大越好12345残差分析残差=实际值-回归值=实际值-拟合值，可看作是误差项的估计值。线性回归模型的前提要求残差项应服从方差相等的正态分布，且残差间相互独立。Oyx理论模型经验模型e是不可观测的随机误差表示其它因素的影响01残差分析02残差随机性03残差正态性04残差独立性一元线性回归检验（1）残差独立性分析DW＝2时，表示残差序列不存在自相关，实际应用中，一般要求DW值处在之间，接近2时基本可以认定残差序列具有独立性。0＜DW＜2时，表示残差序列存在某种程度正自相关。2＜DW＜4时，表示残差序列存在某种程度负相关。DW（Durbin-Watson）检验：用于检验随机误差项是否存序列相关，以保证预测结果的有效性。（2）残差随机性分析残差散点图横轴：因变量回归值纵轴：残差如果残差序列是随机的，那么残差序列应与预测值序列无关，所有残差应是在附近随机变化，并在变化幅度不大的一条带子内（-2和+2之间）。残差正态性分析残差直方图。是以一组无间隔的直条图表现残差频数分布特征的统计图，其中每一条形的高度分别代表相应组别的频率。直方图可以展示正态分布曲线及其参数。图形显示越接近标准正态分布越好。积累概率图。是一种用来判断一个变量分布与指定分布是否符合的概率分布图。这里代表残差分布的曲线与代表正态分布的斜线重合程度越高，则两种分布的一致性越好。残差随机性残差正态性残差应在变化幅度不大的一条带子内（-2和+2之间）残差直方图或积累概率图DW＝1.5～2.5残差分析残差独立性一元线性回归检验回归方程显著性F检验相关系数r的显著性检验拟合优度检验r2回归系数显著性t检验一元线性回归检验统计检验残差分析残差随机性残差正态性残差独立性残差应在变化幅度不大的一条带子内（-2和+2之间）残差直方图或积累概率图DW＝1.5～2.5判定系数r2越大越好一元线性回归方程：多元线性回归分析多元线性回归方程中的自变量个数有2个以上，是一元线性回归模型的扩展，其基本原理与一元线性回归模型相类似，仍然采用最小乘法确定回归方程参数式中，假定该线性方程中有k个自变量。常数项方程的偏回归系数。偏回归系数表示当其他自变量都固定时，某一自变量变化一个单位而使因变量平均变化的量。统计检验06多元线性回归检验05回归系数显著性t检验04拟合优度检验r203相关系数r的显著性检验02回归方程显著性F检验01回归方程显著性F检验相关系数r的显著性检验拟合优度检验r2回归系数显著性t检验多元线性回归检验统计检验残差分析残差随机性残差正态性残差独立性残差应在变化幅度不大的一条带子内（-2和+2之间）残差直方图或积累概率图DW＝1.5～2.5判定系数r2越大越好多元线性回归方程：二时间序列模型时间序列分析方法（简称时序分析）是在具有先后顺序的信号中提取有用信息的一门学科。时序分析起源于上世纪20年代，最早是为了市场预测。随着对时序分析的理论和应用这两方的深人研究。时序分析的应用范围日益扩大，从一般的市场预测到语音识别与模拟，从机械设备的监视到生物生理、心理状态研究，时间序列分析的应用也越来越广泛，越来越深入。时间序列就是一个变量在一定时问段内不同时间点上观测值的集合，如Y：{Y1，Y2，…，}，这些观测值是按时间顺序排列的，时间点之间的间隔是相等的。时间序列获取以后可以对它进行预测分析，预测方法可以从定性分析法和定量分析法两方面考虑。时间序列的含义12时间序列的组成长期趋势变动一个时间序列可能相对平稳或表现出一定的趋势。长期趋势一般是线性、二次或者指数函数.季节性变动当变化规律在一些时间内重复，序列就认为具有季节因素影响.季节因素通常与日期和气候变化有关.季节变动的时间通常以年为单位.周期变动上升或下降与季节变动无关.通常是由经济条件的改变引起的.随机因素DCBA算术平均法加权平均法几何平均法移动平均法E指数平滑法F季节指数法时间序列分析预测法定量方法：ARMA模型ARMA模型是一类常用的随机时间序列模型，是一种精度较高的时间序列短期预测方法，其基本思想是：某些时间序列是依赖于时间t的一组随机变量，构成该时间序列的单个序列值虽然具有不确定性，但整个序列的变化却有一定的规律性，可以用相应的数学模型近似描述.ARMA模型的基本原理其中Y是预测对象的观测值，e