第十七章营销调研中的预测分析

第章营销调研中的预测分析本章学习目标理解预测的基本概念学习如何在营销调研中应用回归分析了解怎样用时间序列分析描述一个历史模型了解指数平滑法的使用预测的定义预测是根据过去的经验和先前的观察作出的对将要发生的事件的描述预测有两种方法：推断和模型预测推断是用过去的经验作为预测未来的手段。这个过程受过去经验的影响很大。预测模型包含影响你所预测的要素的各个适当条件之间的关系。它不是根据过去经验的推断，而是对各因素在跨时间联系中进行研究的结果。如何判断预测准确性预测的准确性可用残差或误差的大小来表示残差分析是指比较预测值和实际值差异大小，它是所有评估预测精度方法的基础。二元回归分析二元回归分析是用一个变量通过一次线性方程式确定另一个被预测的变量。二元回归分析只有两个变量：因变量是我们要预测的值，记为y自变量是用来预测因变量的变量，记为x自变量和因变量都是回归分析中专门指明的特殊量，它们之间并无因果或相互影响的依赖关系。两变量间只可能有统计关系。线性关系的回归是一个功能强大的模型，线性方程为：y=a+bx式中，y为预测变量，x为用于预测y的变量，a为截距，b为斜率。计算b的公式为：计算a的公式为：niniiiniiniiniiixxnyxyxnb1212111)())((xbya使营销调研人员能得到通过分布图上点的回归直线，并且能估计自变量在某一水平上的因变量值二元回归分析结果的优点是：1回归分析只是描述两变量之间线性关系的统计学工具，它是从相关分析中引出的，而相关是衡量两个变量间的线性关系，而非因果关系的2不要用回归分析法对建立模型所采样范围之外的值进行预测。回归分析的两个注意点多元回归分析多元回归分析是对二元回归分析的扩展，即在回归等式中存在多个自变量。实际运用中，预测常常依赖于多个因素，而不是一个。多元回归等式的一般形式为：式中，y为因变量或预测变量，xi为第i个自变量，a为截距，bi为第i个自变量的斜率，m为自变量总数mmxbxbxbxbay...332211多元回归分析的特殊应用使用名义自变量用归一化β系数比较自变量的重要性把多元回归用作筛选器历史数据的时间序列分析营销调研人员的很多数据都与连续的等间隔时间有关。例如，以一年到一年，一季到一季，一月到一月，一周到一周，甚至一天到一天为基础。这些历史数据就是时间序列数据。经济学家对历史数据已做过多年研究，并建立了一个模型，称为时间序列模型。在商业领域有三个基本概念：趋势、周期和季节性趋势是指数据的总体走向，最常用的研究时间序列的趋势的方法为线性回归和指数平滑。用线性回归线确定趋势，通常用最小平方和规则处理，找出最佳拟合直线用指数平滑法是给每年的数据加权，以调整拟合曲线，使离预测年份近的比离预测年份远的强，权重也增大。当离散点不符合线性拟合时，就需要使用指数平滑法，可以用S型、J型或其他能更好的与离散点趋势一致的曲线进行拟合。系数为指数平滑）的预测值，后一时段（为最）的实际值，为最后一时段（）的预测，为对下一时段（式中，：指数平滑的一般方程是tFtStFStttt1F)1(F1t1t周期指多年中商业数据的波浪式起伏变化。季节性指销售额随季度或月份不同而有规则的波动起伏。季节性是营销经理作出预测要考虑的重要因素。