市场调研数据的应用分析-四市场态势预测

四、市场态势预测回归是销售预测的重要手段，通过一元或者多元回归可以得到相关的预测方程。1.一元线性回归操作过程在简单线性回归中，其中因变量是销售毛利率，而自变量则是销售铺货率，然后进行回归分析。结果解读在输出结果中，首先看R平方，数值为0.697，说明模型的拟合效果很好，其检验P值为0.003，说明可以接受。预测函数为：销售毛利率＝1983.406＋5.065*销售铺货率之所以能采用这一方程，是因为后面的两个检验P值都小于0.05。2.多元线性回归操作过程在销售预测中，多重线性回归用得相对较多。如图17所示，分析的是成本、产量、工资率、租赁价格等因素对于产品价格的影响。操作过程为：选择“回归”模型中的线性回归，然后将产品价格放入因变量，将成本等因素放入自变量，然后进行回归分析，输出结果。结果解读在输出结果中，可以看到R平方的数值不理想，在销售预测中面对这一情况，通常看Anova分析的检验P值，这时可以看到，检验P值为0。如图17所示。图17Anova—检验P值如图18所示，可以看到各个因素的影响系数以及最后的结论——决定产品价格的因素中，影响最大的因素是工资率。图18系数3.逐步多元回归在态势预测中，最严谨的方法是逐步多元回归。操作过程如图19所示，该示例分析的是儿童的年龄和疾病之间的关系。在对此进行数据分析时，可供选择的回归模型包括线性回归（一元、多元）、logistic回归和最佳尺度回归等。为了探明哪种模型可以最好地模拟该数据的态势，需要进行一个“数据拟合”操作。具体操作过程为：进入SPSS的“分析”模块，选择“回归模型”中的“曲线估计”，将疾病阴性率定为因变量，将儿童年龄设为自变量，然后将SPSS提供的模型全部选中，点击“确定”。结果解读由于选中了线性、对数、倒数、二次、三次、符合、幂、S平方、增长、指数和Anova等多个模型，所以在结果中会出现多个结构相同的结果。比如，在R平方一项，线性模型的数值为0.715，而最高的则是三次的0.995。如图19所示。图19输出结果示例——幂通过图表可以看出，与真实态势最接近是三次回归的曲线，说明该模型最适合本想预测。回到前面的输出结果中，可以看到三次回归的R平方值为0.995，是所有模型中最大的，也就是该模型与真实态势的拟合程度最好。如图20所示。图20曲线拟合综上所述，可以看出在市场调研综合案例分析中，主要包括四个步骤：第一，确定要分析的问题；第二，数据探索；第三，确定模型并分析；第四，结果汇总呈报。