修正的时间序列回归法
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
修正的时间序列回归法
[概要]将自变量与因变量之间的相关关系用回归 概要] 方程的形式来表示， 方程的形式来表示，并根据自变量的数值变化预 测因变量数值变化的方法。 测因变量数值变化的方法。 回归方程： 回归方程：y=a+bx. 其中， 其中，y为预测值 x为自变量 a为纵轴截距 b为直线斜率 用途] [用途]趋势预测
2 2
2 2
a =
∑
n
y b =
∑ xy ∑ x
2
修正的时间序列回归法
年份 19*1 19*2 19*3 19*4 19*5 合计（n=5） 合计（n=5） 销售量y 销售量y 12 12.5 13.2 13.5 14 65.2 时间x 时间x -2 -1 0 1 2 0 xy -24 -12.5 0 13.5 28 5 xx 4 1 0 1 4 10
修正的时间序列回归法
当n为偶数的情况 年份 19*1 19*2 19*3 19*4 19*5 19*6 合计（n=6） 合计（n=6） 销售量y 销售量y 12 12.5 13.2 13.5 14 15 80.2 x -3 -2 -1 1 2 3 0 xy -36 -25 -13.2 13.5 28 45 12.3 xx 9 4 1 1 4 9 28
修正的时间序列回归法
公式： 公式： Y=a + bX 其中， 其中，x是预测期数 核心问题： 核心问题：如何计算 得出a 得出a 与b ，见右方 的公式。 的公式。
∑y−b∑x a=
n
2
∑xy− a∑x b= ∑x
2
∑ x ∑ y + ∑ x∑ y a= n ∑ x + (∑ x) ∑ x ∑ y + n ∑ xy b = n ∑ x + (∑ x )
13.5
回归分析
SUMMARY OUTPUT 回归统计 Multiple R R Square Adjusted R Square 标准误差 观测值 0.99366 方差分析 0792 0.98736 1769 0.98314 回归分析 9026 0.10327 残差 9556 5 总计 Coeffic ients Intercept X Variable 1 13.04 0.5 标准误差 0.046188 022 0.032659 863 df 1 3 4 t Stat 282.324 2816 15.3093 1089 SS 2.5 0.032 2.532 P-value 9.79956 E-08 0.00060 5303 Lower 95% 12.8930 091 0.39606 1739 Upper 95% 13.1869 909 0.60393 8261 下限 95.0% 12.89300 91 0.396061 739 上限 95.0% 13.186 9909 0.6039 38261 MS 2.5 0.01066 6667 F 234.375 Signific ance F 0.000605 303
பைடு நூலகம்
修正的时间序列回归法
销售量时间回归之散点图
销售量时间散点图 14.5 14 销售量 13 12.5 12 11.5 1990 1991 1992 1993 1994 1995 1996 时间
-3 -2 -1 销售量 销售量时间散点图 14.5 14 13.5 13 12.5 12 11.5 0 时间 1 2 3
回归分析
SUMMARY OUTPUT 回归统计 Multiple R R Square Adjusted R Square 标准误差 观测值 0.99366 方差分析 0792 0.98736 1769 0.98314 回归分析 9026 0.10327 残差 9556 5 总计 Coeffic ients Intercept X Variable 1 -983.46 0.5 标准误差 65.09112 382 0.032659 863 df 1 3 4 t Stat 15.1089 725 15.3093 1089 SS 2.5 0.032 2.532 P-value 0.00062 9447 0.00060 5303 Lower 95% 1190.60 9006 0.39606 1739 Upper 95% 776.310 9935 0.60393 8261 下限 95.0% 1190.609 006 0.396061 739 上限 95.0% 776.310 9935 0.60393 8261 MS 2.5 0.01066 6667 F 234.375 Signific ance F 0.000605 303
[概要]将自变量与因变量之间的相关关系用回归 概要] 方程的形式来表示， 方程的形式来表示，并根据自变量的数值变化预 测因变量数值变化的方法。 测因变量数值变化的方法。 回归方程： 回归方程：y=a+bx. 其中， 其中，y为预测值 x为自变量 a为纵轴截距 b为直线斜率 用途] [用途]趋势预测
2 2
2 2
a =
∑
n
y b =
∑ xy ∑ x
2
修正的时间序列回归法
年份 19*1 19*2 19*3 19*4 19*5 合计（n=5） 合计（n=5） 销售量y 销售量y 12 12.5 13.2 13.5 14 65.2 时间x 时间x -2 -1 0 1 2 0 xy -24 -12.5 0 13.5 28 5 xx 4 1 0 1 4 10
修正的时间序列回归法
当n为偶数的情况 年份 19*1 19*2 19*3 19*4 19*5 19*6 合计（n=6） 合计（n=6） 销售量y 销售量y 12 12.5 13.2 13.5 14 15 80.2 x -3 -2 -1 1 2 3 0 xy -36 -25 -13.2 13.5 28 45 12.3 xx 9 4 1 1 4 9 28
修正的时间序列回归法
公式： 公式： Y=a + bX 其中， 其中，x是预测期数 核心问题： 核心问题：如何计算 得出a 得出a 与b ，见右方 的公式。 的公式。
∑y−b∑x a=
n
2
∑xy− a∑x b= ∑x
2
∑ x ∑ y + ∑ x∑ y a= n ∑ x + (∑ x) ∑ x ∑ y + n ∑ xy b = n ∑ x + (∑ x )
13.5
回归分析
SUMMARY OUTPUT 回归统计 Multiple R R Square Adjusted R Square 标准误差 观测值 0.99366 方差分析 0792 0.98736 1769 0.98314 回归分析 9026 0.10327 残差 9556 5 总计 Coeffic ients Intercept X Variable 1 13.04 0.5 标准误差 0.046188 022 0.032659 863 df 1 3 4 t Stat 282.324 2816 15.3093 1089 SS 2.5 0.032 2.532 P-value 9.79956 E-08 0.00060 5303 Lower 95% 12.8930 091 0.39606 1739 Upper 95% 13.1869 909 0.60393 8261 下限 95.0% 12.89300 91 0.396061 739 上限 95.0% 13.186 9909 0.6039 38261 MS 2.5 0.01066 6667 F 234.375 Signific ance F 0.000605 303
பைடு நூலகம்
修正的时间序列回归法
销售量时间回归之散点图
销售量时间散点图 14.5 14 销售量 13 12.5 12 11.5 1990 1991 1992 1993 1994 1995 1996 时间
-3 -2 -1 销售量 销售量时间散点图 14.5 14 13.5 13 12.5 12 11.5 0 时间 1 2 3
回归分析
SUMMARY OUTPUT 回归统计 Multiple R R Square Adjusted R Square 标准误差 观测值 0.99366 方差分析 0792 0.98736 1769 0.98314 回归分析 9026 0.10327 残差 9556 5 总计 Coeffic ients Intercept X Variable 1 -983.46 0.5 标准误差 65.09112 382 0.032659 863 df 1 3 4 t Stat 15.1089 725 15.3093 1089 SS 2.5 0.032 2.532 P-value 0.00062 9447 0.00060 5303 Lower 95% 1190.60 9006 0.39606 1739 Upper 95% 776.310 9935 0.60393 8261 下限 95.0% 1190.609 006 0.396061 739 上限 95.0% 776.310 9935 0.60393 8261 MS 2.5 0.01066 6667 F 234.375 Signific ance F 0.000605 303