数学建模报告公司的销售额预测

时间：2024.4.8

公司的销售额预测

一、问题重述

某公司想用全行业的销售额作为自变量来预测公司的销售量,下表给出了1977—1981年公司的销售额和行业销售额的分季度数据(单位：百万元)

表1 公司的公司销售额和行业销售额的分季度数据(单位：百万元)

(1)画出数据的散点图,观察用线性回归模型拟合是否合适.

(2)建立公司销售额对全行业的回归模型,并用DW检验诊断随机误差项的自相关性.

(3) 建立消除了随机误差项自相关性之后的回归模型.

二、问题分析与假设

销售收入预测的方法主要有时间序列法、因果分析法和本量利分析法等.

时间序列法,是按照时间的顺序,通过对过去几期实际数据的计算分析,确定预测期产品销售收入的预测值.

表1 的数据是以时间顺序为序列的,称为时间序列.由于公司销售额和行业销售额等经济变量均有一定的滞后性,因此,在这样的时间序列数据中,同一变量的顺序观测值之间出现相关现象是很自然的.然而,一旦数据中存在这种自相关序列,如果仍采用普通的回归模型直接处理,将会出现不良后果,其观测也会失去意义,为此,我们必须先来检验数据是否存在自相关,一旦存在,就要考虑自相关关系,建立新的模型.

定义与符号说明

三、模型建立与求解

一、基本统计回归模型建立

以行业销售额为自变量、以公司销售额为因变量的散点图,其中

图1 对的散点图

从图1可以看出,随着行业销售额的增加,公司销售额也增加,而且两者有很强的线性关系,因此可以建立线性回归模型

,为随机误差

假设与是相互独立的,且服从均值为零的正态分布.

由表1的数据以及上述线性回归模型的假设,进行数据处理,得到回归系数估计值及其置信区间和检验统计量,见表2.

表2 模型的计算结果

将参数估计值代入得到,

由表2知,几乎处处可由确定.用作出其交互式画面,由此可以给出不同水平下的预测值及其置信区间,通过左方的下拉式菜单,可以输出模型的统计结果,见图2.

图2 回归分析中的交互式画面

二、自相关性的判别

我们可以看到模型的拟合度很高(),即可认为可由模型确定.但此模型并未考虑到我们的数据是一个时间序列.在对时间序列数据做回归分析时,模型的随机误差项可能存在相关性,违背于模型对独立的基本假设.现在我们考虑如下模型：

其中是自相关系数,,相互独立且服从均值为0的正态分布.

模型中,若,则退化为普通的回归模型;若,则随机误差存在正的自相关;若,则随机误差存在负的自相关.大多数与经济有关的时间序列数据,在经济规律作用下,一般随着时间的推移有一种向上或向下的变动趋势,其随机误差表现出正相关性.

检验是一种常用的诊断自相关现象的统计方法.首先根据模型得到的残差,计算统计量如下：

其中是观察值个数,残差为随机误差项的估计值.当较大时,

而式的右端正是自相关系数的估计值,于是

由于,所以,并且若在0附近时,则在2附近,的自相关性很弱(或不存在自相关性);若在附近时,则在0或4附近,的自相关性很强.

要根据的具体数值来确定是否存在自相关性,应该在给定的检验水平下依照样本容量和回归变量数目,查分布表,得到检验的临界和,然后由表3中所在的区间来决定.

表3 与值相对应的自相关状态

三、加入自相关后的模型

根据式可计算出,对于显著性水平,查分布表,得到检验的临界值和,现在,由表3可以认为随机误差存在正自相关,且的估计值可由式得.

作变换,

则模型化为

,其中,

以的估计值代入式作变换,利用变换后的数据、估计模型的参数,得到的结果见表4,可以得到其剩余标准差为0.067.

表4 模型的计算结果

对模型也做一次自相关检验,即诊断随机误差是否还存在自相关,从模型的残差可计算出,对于显著性水平以及时,检验的临界值为,故,所以可以认为随机误差不存在自相关.因此经变换得到的回归模型是适用的.

最后,将模型中的和还原为原始变量和,得到结果为：

四、结果分析与预测

从机理上看,对于带滞后性的经济规律作用下的时间序列数据,加入自相关的模型更为合理,而且在本例中,衡量与实际数据拟合程序的指标——剩余标准差从模型的0.081减少到0.0671.当用模型对公司的销售额作预测时,先估计未来的全行业销售额,比如,设t=21时,=174.1,容易由模型得到=29.1860.

四、模型的评价

一、模型的优点

经检验认为普通回归模型的随机误差存在自相关,由,式估计出自相关系数后,采用变换的方法得到模型,成称为广义差分法.这种方法消除了原模型随机误差的自相关性,得到的式是一阶自相关模型.

二、模型的缺点

检验和广义差分法在经济数据建模中有着广泛的应用,但是也存在着明显的不足：若的数值落在无法确定自相关性的区间,则只能设法增加数据量,或选用其他方法;如果原始数据序列存在高阶自相关性,则需要反复使用检验和广义差分,直至判定不存在自相关为止.另外,分布表中数据容量的下限是15.

参考文献

[1] 徐金明,张孟喜,丁涛,《》,北京:清华大学出版社;北京交通大学出版社,2005.7(2007.8重印).

[2]. 姜启源,谢金星、叶俊,《数学模型(第四版)》,北京:高等教育出版社,20011.1(2012.5重印).

附录

1. 散点图的程序

clear;

x=[127.3 130.0 132.7 129.4 135.0 137.1 141.2 142.8 145.5 145.3 148.3 146.4 150.2 153.1 157.3 160.7 164.2 165.6 168.7 171.7]’;

y=[20.96 21.40 21.96 21.52 22.39 22.76 23.48 23.66 24.10 24.01

24.54 24.30 25.00 25.64 26.36 26.98 27.52 27.78 28.24 28.78]’;

plot(x,y,'*')

2.模型(1)的计算程序

clear;

x=[127.3 130.0 132.7 129.4 135.0 137.1 141.2 142.8 145.5 145.3

148.3 146.4 150.2 153.1 157.3 160.7 164.2 165.6 168.7 171.7]’;

y=[20.96 21.40 21.96 21.52 22.39 22.76 23.48 23.66 24.10 24.01

24.54 24.30 25.00 25.64 26.36 26.98 27.52 27.78 28.24 28.78]’;

x=[ones(20,1),x];

[b,bint,r,rint,stats]=regress(y,x)

输出结果:

b =

-1.45475004139634

0.176282811457384

bint =

-1.90465420468789 -1.00484587810479

0.173247525367995 0.179318097546773

r =

-0.0260518571286674

-0.0620154480636046

0.0220209610014628

0.163754238810824

0.046570494649476

0.0463765905889701

0.043617063613695

-0.058435434718124

-0.0943990256530576

-0.149142463361581

-0.147990897733738

-0.0530535559647056

-0.0229282395027646

0.105851607270822

0.0854637991498031

0.106102240194701

0.0291124000938581

0.0423164640535205

-0.0441602514643726

-0.0330086858365206

rint =

-0.195385871759251 0.143282157501916

-0.231871886037631 0.107840989910421

-0.152853753861225 0.19689567586415

0.0131634673388031 0.314345010282846

-0.128820728276878 0.22196171757583

-0.130374632908482 0.223127814086423

-0.135221944162416 0.222456071389806

-0.236666572408848 0.119795702972601

-0.26910531130757 0.0803072600014548

-0.313617420748614 0.0153324940254506

-0.31288219186159 0.0169003963941133

-0.232314787682902 0.126207675753491

-0.203701178032592 0.157844699027063

-0.0664228030147936 0.278126017556437

-0.0879446576592735 0.25887225595888

-0.0620923905849254 0.274296870974328

-0.144034956949209 0.202259757136925

-0.128748679311955 0.213381607418996

-0.211614739705066 0.123294236776321

-0.197152337494454 0.131134965821413

stats =

Columns 1 through 3

0.998792444207198 14888.1435565111 1.01315527327091e-027

Column 4

0.00740568340707954

3. 散点图的交互式程序

clear;

x=[127.3 130.0 132.7 129.4 135.0 137.1 141.2 142.8 145.5 145.3 148.3 146.4 150.2 153.1 157.3 160.7 164.2 165.6 168.7 171.7]’;

y=[20.96 21.40 21.96 21.52 22.39 22.76 23.48 23.66 24.10 24.01

24.54 24.30 25.00 25.64 26.36 26.98 27.52 27.78 28.24 28.78]’;

rstool(x,y,'linear')

4.模型(2)的残差

x=[127.3 130.0 132.7 129.4 135.0 137.1 141.2 142.8 145.5 145.3 148.3 146.4 150.2 153.1 157.3 160.7 164.2 165.6 168.7 171.7]’;

y=[20.96 21.40 21.96 21.52 22.39 22.76 23.48 23.66 24.10 24.01

24.54 24.30 25.00 25.64 26.36 26.98 27.52 27.78 28.24 28.78]’;

for i=1:1:20

z(i)=-1.45475+0.17628*x(i);

e(i)=y(i)-z(i);

end

输出结果:

z =

Columns 1 through 3

20.985694 21.46165 21.937606

Columns 4 through 6

21.355882 22.34305 22.713238

Columns 7 through 9

23.435986 23.718034 24.19399

Columns 10 through 12

24.158734 24.687574 24.352642

Columns 13 through 15

25.022506 25.533718 26.274094

Columns 16 through 18

26.873446 27.490426 27.737218

Columns 19 through 20

28.283686 28.812526

e =

Columns 1 through 3

-0.0256939999999979 -0.0616500000000002 0.0223940000000056

Columns 4 through 6

0.164118000000002 0.0469500000000025 0.0467620000000046

Columns 7 through 9

0.0440140000000042 -0.0580339999999993 -0.093989999999998

Columns 10 through 12

-0.148733999999997 -0.147574000000002 -0.0526419999999987

Columns 13 through 15

-0.0225059999999964 0.106282000000004 0.0859059999999978

Columns 16 through 18

0.106554000000003 0.0295740000000038 0.0427820000000025

Columns 19 through 20

-0.0436859999999974 -0.0325259999999936

5.计算DW和

e =[-0.0256939999999979

-0.0616500000000002

0.0223940000000056

0.164118000000002

0.0469500000000025

0.0467620000000046

0.0440140000000042

-0.0580339999999993

-0.093989999999998

-0.148733999999997

-0.147574000000002

-0.0526419999999987

-0.0225059999999964

0.106282000000004

0.0859059999999978

0.106554000000003

0.0295740000000038

0.0427820000000025

-0.0436859999999974

-0.0325259999999936];

s=0;

for t=2:1:20

s=s+(e(t)-e(t-1))^2;

end

m=0;

for i=1:1:20

m=m+e(i)^2;

end

DW=s/m

p=1-1/2*DW

输出结果:

DW =

0.734645539224993

p =

0.632677230387503

6.模型(3)中的数据变换

x=[127.3 130.0 132.7 129.4 135.0 137.1 141.2 142.8 145.5 145.3 148.3 146.4 150.2 153.1 157.3 160.7 164.2 165.6 168.7 171.7]’;

y=[20.96 21.40 21.96 21.52 22.39 22.76 23.48 23.66 24.10 24.01

24.54 24.30 25.00 25.64 26.36 26.98 27.52 27.78 28.24 28.78]’;

p=0.63268

for t=1:1:19

y1(t)=y(t+1)-p*y(t);

x1(t)=x(t+1)-p*x(t);

end

输出结果:

p =

0.63268

y1 =

Columns 1 through 3

8.1390272 8.420648 7.6263472

Columns 4 through 6

8.7747264 8.5942948 9.0802032

Columns 7 through 9

8.8046736 9.1307912 8.762412

Columns 10 through 12

9.3493532 8.7740328 9.625876

Columns 13 through 15

9.823 10.1380848 10.3025552

Columns 16 through 18

10.4502936 10.3686464 10.6641496

Column 19

10.9131168

x1 =

Columns 1 through 3

49.459836 50.4516 45.443364

Columns 4 through 6

53.131208 51.6882 54.459572

Columns 7 through 9

53.465584 55.153296 53.24506

Columns 10 through 12

56.371596 52.573556 57.575648

Columns 13 through 15

58.071464 60.436692 61.179436

Columns 16 through 18

62.528324 61.713944 63.928192

Column 19

64.966884

7.模型(3)的计算结果

y1 =[8.1390272

8.420648

7.6263472

8.7747264

8.5942948

9.0802032

8.8046736

9.1307912

8.762412

9.3493532

8.7740328

9.625876

9.823

10.1380848

10.3025552

10.4502936

10.3686464

10.6641496

10.9131168];

x1 =[49.459836

50.4516

45.443364

53.131208

51.6882

54.459572

53.465584

55.153296

53.24506

56.371596

52.573556

57.575648

58.071464

60.436692

61.179436

62.528324

61.713944

63.928192

64.966884];

x2=[ones(19,1),x1];

[b,bint,r,rint,stats]=regress(y1,x2)

输出结果:

b =

-0.391413728791626

0.173739484728835

bint =

-0.743959505289538 -0.0388679522937137

0.167481672152938 0.179997297304732

r =

-0.0626854926210676

0.0466267410463246

0.122454283086727

-0.0648485721489394

0.00542729423064792

0.00983895095872533

-0.0929956860946302

-0.060100299345299

-0.0969435599642878

-0.0532051135904403

0.0313439989890654

0.0141263123428352

0.125107495982524

0.0292588019963098

0.0646852421508761

-0.0219314639260322

0.0379112976474367

-0.0512878089344184

0.0172175781936197

rint =

-0.194112737017012 0.0687417517748767

-0.0885336593085636 0.181787141401213

0.0161292648746043 0.228779301298849

-0.201462271956211 0.0717651276583323

-0.133792997199822 0.144647585661118

-0.131797031575754 0.151474933493204

-0.225302669864897 0.0393112976756366

-0.1985101568317 0.0783095581411017

-0.228268383451548 0.0343812635229727

-0.192519727444524 0.0861095002636433

-0.107973506382257 0.170661504360388

-0.127481451736758 0.155734076422428

-0.000122557504840748 0.250337549469889

-0.109224013348295 0.167741617340915

-0.0693312030770827 0.198701687378835

-0.157373208239308 0.113510280387243

-0.0980543981169386 0.173876993411812

-0.181348373667138 0.0787727557983009

-0.112564188002673 0.146999344389912

stats =

Columns 1 through 3

0.995069834050953 3431.15979334042 4.68398711682588e-021

Column 4

0.00450814925050438

8.模型(3)的残量

clear;

y1 =[8.1390272

8.420648

7.6263472

8.7747264

8.5942948

9.0802032

8.8046736

9.1307912

8.762412

9.3493532

8.7740328

9.625876

9.823

10.1380848

10.3025552

10.4502936

10.3686464

10.6641496

10.9131168];

x1 =[49.459836

50.4516

45.443364

53.131208

51.6882

54.459572

53.465584

55.153296

53.24506

56.371596

52.573556

57.575648

58.071464

60.436692

61.179436

62.528324

61.713944

63.928192

64.966884];

for i=1:1:19

z(i)=-0.39141+0.17374*x1(i);

e(i)=y1(i)-z(i);

end

输出结果:

z =

Columns 1 through 3

8.20174190664 8.374050984 7.50392006136

Columns 4 through 6

8.83960607792 8.588897868 9.07039603928

Columns 7 through 9

8.89770056416 9.19092364704 8.8593867244

Columns 10 through 12

9.40259108904 8.74271961944 9.61178308352

Columns 13 through 15

9.69792615536 10.10886086808 10.23790521064

Columns 16 through 18

10.47226101176 10.33077063056 10.71547407808

Column 19

10.89593642616

e =

Columns 1 through 3

-0.0627147066400013 0.0465970159999998 0.122427138639998

Columns 4 through 6

-0.0648796779199987 0.00539693200000002 0.00980716071999943

Columns 7 through 9

-0.0930269641599999 -0.0601324470399991 -0.0969747244000008

Columns 10 through 12

-0.05323788904 0.0313131805599998 0.0140929164799992

Columns 13 through 15

0.125073844640001 0.0292239319199989 0.0646499893599994

Columns 16 through 18

-0.0219674117599986 0.0378757694399994 -0.0513244780799997

Column 19

0.0171803738400005

9.求模型(3)的DW值

e =[-0.0627147066400013

0.0465970159999998

0.122427138639998

-0.0648796779199987

0.00539693200000002

0.00980716071999943

-0.0930269641599999

-0.0601324470399991

-0.0969747244000008

-0.05323788904

0.0313131805599998

0.0140929164799992

0.125073844640001

0.0292239319199989

0.0646499893599994

-0.0219674117599986

0.0378757694399994

-0.0513244780799997

0.0171803738400005];

s=0;

for t=2:1:19

s=s+(e(t)-e(t-1))^2;

end

m=0;

for i=1:1:19

m=m+e(i)^2;

end

DW=s/m

输出结果:

DW =

1.6519922652328

更多相关推荐：

销售额预测分析报告: 销售额预测分析报告一模型选择预测是重要的统计技术对于领导层进行科学决策具有不可替代的支撑作用常用的预测方法包括定性预测法传统时间序列预测如移动平均预测指数平滑预测现代时间序列预测如ARIMA模型灰色预测GM线性...
20xxHTC手机销售预测报告: HTC市场销售预测及分析目录一中国手机市场现状分析二20xx年20xx年HTC销售数据三20xxHTC手机销售预测1基于时间序列的预测方法2基于线性回归的预测方法四建议一中国手机市场现状分析回顾我国移动电话20...
003销售预测报告: XX项目销售预测报告修订历史Revisionhistory目录1234567目标客户4销售策略4销售方法4销售预期4毛利率4销售成本4销售风险41目标客户2销售策略3销售方法4销售预期5毛利率6销售成本7销售风...
中国猪肉行业市场销售预测分析及十三五发展战略研究报告20xx-20xx年: 中国猪肉行业市场销售预测分析及十三五发展战略研究报告20xx20xx年编制单位北京智博睿投资咨询有限公司报告目录第一章生猪行业概述2311生猪概述23111生猪的概念23112生猪的特征23113生猪的种类24...
销售分析报告模板: 数据中心年月份销售分析报告数据中心报告评级报告评级标准月度销售分析报告首页须在审阅评级后于报告提交当月返回优要点基本涵盖月度销售情况80或以上的要点分析全面透彻具有较强参考性和指导性3条或以上有效建议良要点基本...
11销售目标预测表: 11销售目标预测表地区单位元主管填表人制表日期年月日
月度销售分析报告: 月度销售报告（特别说明：以下内容均属模拟演练）过去的一个月，销售部门全体员工，奋发进取，团结协作，在公司的领导和支持下，努力扎实的开展工作，现将有关工作报告如下：一、本月销售情况综述目前销售部门人员编制6人，本…

20xx年天然气终端销售市场现状与发展趋势预测报告: 20xx20xx年中国天然气终端销售行业现状调研分析与发展趋势预测报告报告编号156A853天然气终端销售20xx20xx年中国天然气终端销售行业现状调研分析与发展趋势预测报告行业市场研究属于企业战略研究范畴作...

20xx-20xx年中国混气炭黑行业深度研究与发展前景预测报告: 20xx20xx年中国混气炭黑行业深度研究与发展前景预测报告什么是行业研究报告行业研究是通过深入研究某一行业发展动态规模结构竞争格局以及综合经济信息等为企业自身发展或行业投资者等相关客户提供重要的参考依据企业通...
可靠性预测报告: 关于国网GPRS表电源模块的可靠性预计报告基于OFGEM模型1电能表可靠性预计的意义近几年世界各主要经济体相继推动本国电网公司出台了智能电网SmartGrid分步实施规划国家电网公司也结合自身特点按照安全经济节...
中国船员服务行业前景预测及投资策略分析报告20xx-20xx年: 中国船员服务行业前景预测及投资策略分析报告20xx20xx年编制单位北京智博睿投资咨询有限公司报告目录第1章中国船员服务行业发展背景2211船员的界定及用工方式22111船员的界定22112船员用工方式231船...
20xx-20xx年中国教育与培训行业竞争格局与投资前景预测报告: 120xx20xx年中国教育与培训行业竞争格局与投资前景预测报告企业网址yjbgqthyqt20xx0108305533html点击看正文正文目录第一部分行业发展现状第一章教育培训概述2第一节教育概述2一教育的...

销售预测报告（13篇）

热门关注

周销售分析报告表

数学建模报告电子商务平台销售数据分析与预测