回归分析ppt

库存需求预测——回归分析探讨团队TEAM就是力量小组成员薛传利2140910003蔡智勇2140910015王军委2140910017裴鸿利2140910006010203预测概论回归分析理论研究回归分析案例探讨目录/contents第一节预测概论一、预测的概念是对未来可能发生的情况的预计和推测。科学性：客观事物发展的惯性；随机现象的统计规律性。二、预测的作用1、预测是制定物流战略的基础。2、预测是制定库存计划计划的基础。3、预测是协调各部门工作的依据。4、有助于为尽快满足用户需求做好准备。四、需求预测的分类1、按时间分（1）长期预测：是指对5年或5年以上的需求前景的预测。（2）中期预测：是指对一个季度以上两年以下的需求前景的预测。（3）短期预测：是指以日、周、旬、月为单位，对一个季度以下的预测。2、按主客观因素所起的作用分（1）定性预测方法：依靠人们的才干、知识、远见和判断力来推测未来的变化。（2）定量预测方法：主要根据对历史资料的分析来推断未来的需求。五、影响需求预测的因素1、商业周期：从复苏到高潮到衰退到萧条,周而复始。2、产品生命周期：任何成功的产品都有导入期、成长期、成熟期和衰退期4个阶段。复苏高潮衰退萧条复苏导入期成长期成熟期衰退期六、预测一般步骤1决定预测的目的和用途；预测的目的是什么？何时进行预测？2对产品及其性质分类；相关需求产品和独立需求产品。3决定影响因素；商业周期产品生命周期4确定预测跨度：必须确定预测跨度，同时应清楚，当预测跨度增大时，预测的精确度将降低。5收集分析资料•6选择预测方法和模型；•7计算并核实预测结果；•8求出预测值；•9应用预测结果；10预测监控。监控是为了确定预测是否像预期的那样进行，如果不是，要从新检查所用的方法、以及数据的合理性等等，必要时，要做出适当的调整再行预测。第二节回归分析理论研究预测方法定性预测方法定量预测方法德尔菲法部门主管讨论法用户调查法销售人员意见汇总法回归模型（因果模型）时间序列模型时间序列平滑模型时间序列分解模型移动平均法一次指数平滑法二次指数平滑法乘法模型加法模型预测方法框架结构图2.1回归分析概述1.概念回归分析是一种应用极为广泛的数量分析方法。它用于分析事物之间的统计关系，侧重考察变量之间的数量变化规律，并通过回归方程的形式描述和反应这种关系，帮助人们准确把握变量受其他一个变量或多个变量影响的程度，进而为预测提供科学依据。2.分类按照自变量的多少：一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型：线性回归分析和非线性回归分析。一元线性回归分析一元非线性回归分析多元线性回归分析多元非线性回归分析2.2回归分析预测的基本问题变量因果关系的确定数学模型的选择回归方程与回归系数的显著性检验变量间相关关系的定性分析2.3回归分析的一般步骤1、确定回归方程中的自变量和因变量。2、确定回归模型根据函数拟合方式，观察散点图，线性回归模型和非线性回归模型3、建立回归方程根据样本数据和回归模型，在一定的统计拟合准则下估计出模型中的各个参数，得到一个确定的回归方程。4、对回归方程进行各种检验由于回归方程是在样本数据基础上得到的，回归方程是否真实地反映了事物总体间的统计关系，以及回归方程能否用于预测等都需要进行检验。5、利用回归方程进行预测2.4一元线性回归分析预测•一元线性回归方程的模型可表述为：•为回归方程的参数；未知参数是自变量，是因变量；•为剩余残差项或称随机扰动项。参数估计线性回归模型参数的估计方法通常有两种①普通最小二乘法；②最大似然估计法。niubxayiii,,2,1,ba,ixiyiu•最小二乘法的中心思想是通过数学模型，配合一条较为理想的趋势线，这条趋势线必须满足以下要求：•①原数列的观测值与模型估计值的离差平方和为最小；•②原数列的观测值与模型估计值的离差总和为0。•根据最小二乘法，各参数的计算方法为：xbyaˆˆniniiininiiniiiixxnyxyxnb1212111)(ˆ进行相关分析只有当变量与因变量确实存在某种关系时，建立的回归方程才有意义。自变量与因变量是否有关、相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。相关系数一般用r表示，r求解方式为：1.相关系数的值介于-1与+1之间，即-1≤r≤+1。当r0时，表示两变量正相关，当r0时，表示两变量为负相关。当|r|=1时，表示两变量为完全线性相关即函数关系。当r=1时，称为完全正相关，而当r=-1时，称为完全负相关。当r=0时，表示两变量间无线性相关关系。•当︱r︱≥0.8时，可视为高度相关；当0.5≤︱r︱0.8时，可视为中度相关；当0.3≤︱r︱0.5时，视为低度相关；当︱r︱0.3时，说明两个变量之间的相关程度极弱。相关系数的解释回归方程的统计检验•1拟合优度检验目的是检验样本数据点聚集在回归线周围的密集程度，从而评价回归方程对样本数据的代表程度。•2回归方程显著性检验检验被解释变量与所有解释变量之间的线性关系是否显著，用线性模型来描述它们之间的关系是否恰当。•3回归系数的显著性检验研究解释变量能否有效解释被解释变量的线性变化，它们能否保留在线性回归方程中。•4残差分析残差是指回归方程计算所得的预测值与实际样本值之间的差距。由多个残差形成的序列称为残差序列。检验残差序列中是否包含明显的规律性和趋势性，如果不包含，则回归方程能够较好的反映被解释变量的特征和变化规律。利用回归方程进行预测•1点预测•将自变量的预测值代入回归模型所得到的因变量的值，作为与相对应的的预测值。•2区间预测•就是区间估计，即在给定的置信度下求出精确值y0的置信区间，称为y0的区间预测。ixiyiyˆixiy多元线性回归模型•1.一个因变量与两个及两个以上自变量之间的回归•2.描述因变量y如何依赖于自变量x1,x2,...,xp,和误差项Ɛ的方程称为多元线性回归模型•3.涉及p个自变量的多元线性回归模型可表示为是参数Ɛ是被称为误差项的随机变量y是X1，X2...,Xp的线性函数加上误差项ƐƐ说明了包含y在里面但不能被p个自变量的线性关系所解释的变异性ipipixxy...110p...210，，，多元回归分析预测多元回归分析预测主要包括以下步骤多元线性回归因素分析多元线性回归模型的建立多元线性回归模型的检验利用回归方程进行预测Step1Step2Step3Step4第三节回归分析案例探讨基于回归分析的库存需求预测3.1例题解析之一元线性回归分析（最小二乘法）•A公司一建筑公司，一段时间后，该公司发现从翻修工作之间得到的收益取决于B地区的薪金总额，左下表为1999年至2004年该公司收益和B地区薪金总额1999年至2004年该公司收益和B地区薪金总额A公司收益y（百万）B地区薪金总额x（十亿）2.03.02.52.02.03.5134217•从上诉散点图中的几个数据点的分布情况可以看出自变量薪金总额和因变量公司收益之间存在着一定正相关关系，计算过程见下表A公司预测数据的计算过程0.15y18x802x5.51xy•得预测的回归方程为xy25.075.136186xx5.26156yy25.036805.2365.51222xnxxynxyb75.1325.05.2xbya3.2例题解析之多元回归分析•在库存管理中,为了保证及时供应、防止脱销则须有一定数量的货物储备,同时,为了提高资金周转,减少资金占用,又要尽量压缩库存,为了能够尽可能的实现库存与需求的平衡，降低库存管理费用，利用回归分析研究库存与需求之间的关系能够给相关企业带来有益的帮助。•我们收集了某地区农机公司月销量大于20台(件),单价大于250元的产品在4一6月的销售情况,并假定在最高日销量与最低日销量间的随机销量服从正态分布。•每种产品在不同条件下的最佳进货量与安全库存量如表中所示。以安全库存量为因变量,以最高日销量(x1),最低日销量x(2),到货延迟期x(3),每次订货费x(4),产品单价x(5),缺货系数x(6),保管费(x7)为自变量,经回归分析,计算结果见表1和表2。表1回归结果•从回归结果看,总体F检验值为40.28251,而F0.05(7,20)=2.51.所以回归方程高度显著,虽然回归方程显著,但有些变量对Y的影响不大,应从回归方程中剔除,以建立更简单、合理的回归方程。查表得T0.05(1,20)=2.086,而表中T3T1T2T0.05(1,20),所以在置信度a=0.05下自变量x1，x2，x3为显著,应留在回归方程中,其他变量对Y的贡献不大,应予剔除。3.2构建模型表2方差分析表对留下的自变量与因变量重新进行回归分析,得结果如下(见表3和表4)因为复相关系数为0.9611632,总体F检验值为97.03481,而F0.05(3,24)=3.01,所以回归方程高度显著。得安全库存量回归方程如下:表3回归结果表4方差分析表本文所建立的方程对于使用者来说是非常方便的,从回归结果来看,模型的拟合情况也是比较好的。但对于那些销售情况呈非正态分布或者货物不能保证按期供应的情况,本模型不宜使用。谢谢观看