回归分析预测法的概念

1. 回归分析预测法的概念

回归分析预测法(Regression Analysis Prediction Method)回归分析预测法，是在分析市场现象自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型，根据自变量在预测期的数量变化来预测因变量关系大多表现为相关关系，因此，回归分析预测法是一种重要的市场预测方法，当我们在对市场现象未来发展状况和水平进行预测时，如果能将影响市场预测对象的主要因素找到，并且能够取得其数量资料，就可以采用回归分析预测法进行预测。它是一种具体的、行之有效的、实用价值很高的常用市场预测方法，常用于中短期预测。

2. 回归分析预测法的分类

回归分析预测法有多种类型。依据相关关系中自变量的个数不同分类，可分为一元回归分析预测法和多元回归分析预测法。在一元回归分析预测法中，自变量只有一个，而在多元回归分析预测法中，自变量有两个以上。依据自变量和因变量之间的相关关系不同，可分为线性回归预测和非线性回归预测。

3. 回归分析预测技术依据是什么原理？

回归分析的基本概念是用一群变量预测另一个变量的方法。通俗点来讲，就是根据几件事情的相关程度来预测另一件事情发生的概率。回归分析的目的是找到一个联系输入变量和输出变量的最优模型。

回归方法有许多种，可通过 3 种方法进行分类：自变量的个数、因变量的类型和回归线的形状。

1）依据相关关系中自变量的个数不同进行分类，回归方法可分为一元回归分析法和多元回归分析法。在一元回归分析法中，自变量只有一个，而在多元回归分析法中，自变量有两个以上。

2）按照因变量的类型，回归方法可分为线性回归分析法和非线性回归分析法。

3）按照回归线的形状分类时，如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，则这种回归分析称为一元线性回归分析；如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是非线性关系，则称为多元非线性回归分析。
1. 线性回归
线性回归是世界上最知名的建模方法之一。在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计的。这些模型被叫作线性模型。在线性模型中，因变量是连续型的，自变量可以是连续型或离散型的，回归线是线性的。

4. 趋势预测法的依据是什么呢？

①趋势预测法是根据市场过去的变化趋势预测未来的发展，它的前提是假定事物的过去会同样延续到未来。事物的现实是历史发展的结果，而事物的未来又是现实的延伸，事物的过去和未来是有联系的。市场预测的时间序列分析法，正是根据客观事物发展的这种连续规律性，运用过去的历史数据，通过统计分析，进一步推测市场未来的发展趋势。市场预测中，事物的过去会同样延续到未来，其意思是说，市场未来不会发生突然跳跃式变化，而是渐进变化的。 

趋势预测法的哲学依据，是唯物辩证法中的基本观点，即认为一切事物都是发展变化的，事物的发展变化在时间上具有连续性，市场现象也是这样。市场现象过去和现在的发展变化规律和发展水平，会影响到市场现象未来的发展变化规律和规模水平；市场现象未来的变化规律和水平，是市场现象过去和现在变化规律和发展水平的结果。 

需要指出，由于事物的发展不仅有连续性的特点，而且又是复杂多样的。因此，在应用时间序列分析法进行市场预测时应注意市场现象未来发展变化规律和发展水平，不一定与其历史和现在的发展变化规律完全一致。随着市场现象的发展，它还会出现一些新的特点。因此，在时间序列分析预测中，决不能机械地按市场现象过去和现在的规律向外延伸。必须要研究分析市场现象变化的新特点，新表现，并且将这些新特点和新表现充分考虑在预测值内。这样才能对市场现象做出既延续其历史变化规律，又符合其现实表现的可靠的预测结果。 

②趋势预测法突出了时间因素在预测中的作用，暂不考虑外界具体因素的影响。时间序列在时间序列分析预测法处于核心位置，没有时间序列，就没有这一方法的存在。虽然，预测对象的发展变化是受很多因素影响的。但是，运用时间序列分析进行量的预测，实际上将所有的影响因素归结到时间这一因素上，只承认所有影响因素的综合作用，并在未来对预测对象仍然起作用，并未去分析探讨预测对象和影响因素之间的因果关系。因此，为了求得能反映市场未来发展变化的精确预测值，在运用时间序列分析法进行预测时，必须将量的分析方法和质的分析方法结合起来，从质的方面充分研究各种因素与市场的关系，在充分分析研究影响市场变化的各种因素的基础上确定预测值。 

需要指出的是，趋势预测法因突出时间序列暂不考虑外界因素影响，因而存在着预测误差的缺陷，当遇到外界发生较大变化，往往会有较大偏差，时间序列预测法对于中短期预测的效果要比长期预测的效果好。因为客观事物，尤其是经济现象，在一个较长时间内发生外界因素变化的可能性加大，它们对市场经济现象必定要产生重大影响。如果出现这种情况，进行预测时，只考虑时间因素不考虑外界因素对预测对象的影响，其预测结果就会与实际状况严重不符。

5. 自回归预测法的自回归预测法的步骤

自回归预测的步骤如下：一、确定自相关数列根据预测目的和要求，对预测目标的时间数列资料(月、季、年度)加以整理，使之具有可比性，并将这些数列划分为因变量和自变量数列。因变量数列的期限(即项数)，可以根据时间数列所反映周期变动规律确定。自变量数列，可用原时间数列向后逐期推移取得，它的期数必须同因变量数列相同。二、确定回归模型计算各个自变量数列的自相关系数，自相关系数的计算方法同一般相关系数的计算方法相同。根据自相关系数的大小，确定自变量，即选择自相关系数较大的自变量数列，用以拟合回归模型。自回归模型可以是线性的，也可以是非线性的；如果自回归模型中只有一个自变量，称为一阶(一元)自回归模型；有两个自变量，称为二阶(二元)自回归模型。经济预测中，一般用向后推移一期或两期的一阶(元)线性自身回归。因为二阶(元)以上的自身回归计算复杂，并不能提高预测准确度，用处不大。三、估计参数，利用模型预测模型参数值的求法，与其它回归模型的参数求法一样。预测期的自变量，就是自变量数列的下一期数值，在原时间数列中可以找到，用于进行预测。对预测值的可靠性检验，数列中可以找到，用于进行预测。对预测值的可靠性检验，也与其它回归模型相同。

6. 自回归预测法的自回归预测法的优缺点

自回归预测法的优点是所需资料不多，可用自变量数列来进行预测。但是这种方法受到一定的限制，即必须具有自相关。这种方法只能适用于须阅某些具有时间序列趋势相关的经济现象，即受历史因素影响较大的经济现象，如各种开采量，各种自然产量等。对于受社会因素影响较大的经济现象，不宜采用这种方法。

7. 自回归预测法的什么是自回归预测法

具体说，就是用一个变量的时间数列作为因变量数列，用同一变量向过去推移若干期的时间数列作自变量数列，分析一个因变量数列和另一个或多个自变量数列之间的相关关系，建立回归方程进行预测。

8. 回归分析怎么做预测

回归分析怎么做预测：
1、选定预测的变量及主要的原因变量;
2、收集历史数据(或通过市场调查) ;
3、分析变量间的关系建立回归模型;
4、参数估计：最小二乘法;
5、回归方程的显著性检验; 
6、利用回归方程进行预测。

回归的现代解释：
回归分析是关于研究一个应(因)变量对另一个或几个解释变量(自变量)的)依赖关系，其用意在于通过后者的己知或设定值，去估计和(或)预测前者的( 总体)均值。

回归的基本思想：
具有相关关系的变量，虽然不能用函数式准确表达其关系，但可以通过大量的实验数据(或调查数据等)的统计分析，找出各相关因素的内在规律，可用某一函数式近似地描述其依存关系。