对《多元线性回归模型在物流成本预测中的应用》的解读

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(Y )由运输成本（1X ）、保管成本（2X ）、包装及货损成本（3X ）、信息及管理成本（4X ）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年我国宏观物流成本

T

1X

2X

3X

4X

Y

1996 3320.27 831.81

863.98

755.21

3775.27

1997 3479.92 1073.15 923.43 800.078 4279.578

1998 3835.47 1080.25 1084.51 920.77 4923 1999

4484.62

1180.79 1324.6

1046.4

6037.41

20004814.341484.351599.781169.67068.07

20015332.082093.072341.1616579422.31

20026284.412506.52815.152065.811669.86

20036181.032699.62908.682191.811978.11

20045909.082593.623372.542676.8612548.1

20056726.752150.533361.872631.3912865.54

20067293.91828.344083.12839.0714038.41

20077719.871934.324500.93010.1415158.23

20088125.481886.165119.063419.1216541.82

20098759.882088.966340.672921.8818102.39

201010165.862316.257794.663208.1620474.92

201110879.822510.538776.163379.2322847.54

201211955.272667.649684.273864.2924231.14（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: Y

Method: Least Squares

Sample: 1996 2012

Included observations: 17

Variable Coefficient Std. Error t-Statistic Prob.

C-1757.210768.0691-2.2878280.0411

X10.9284330.285424 3.2528270.0069

X20.9276050.206280 4.4968340.0007

X3 0.767229 0.221608 3.462104 0.0047 X4

1.477041

0.239765

6.160366

0.0000

R-squared 0.998212 Mean dependent var 12703.63 Adjusted R-squared 0.997616 S.D. dependent var 6362.436 S.E. of regression 310.6257 Akaike info criterion 14.55498 Sum squared resid 1157860. Schwarz criterion 14.80005 Log likelihood -118.7174 Hannan-Quinn criter. 14.57934 F-statistic 1675.155 Durbin-Watson stat 2.156717

Prob(F-statistic)

0.000000

20.998R = 1675.155F = 2.15..6717DW =

由运行结果看出，可决系数2R 与2R 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α=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1X 、2X 、3X 、4X 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α，结果显著，拒绝原假设，说明它们与Y 显著相关，通过t 检验。

回归方程为：

1234

1757.21042656 0.9284334868* 0.927605379971* 0.767228510887* 1.47704071679*Y X X X X =-++++ (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

2

e i ；其次，作残差平方2e i 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2R 作2χ检验。

回归模型（1）的残差平方2e i 与1X 、2X 、3X 、4X 及其平方项与交叉项作