《市场调研数据的应用分析 - 四市场态势预测》由会员分享，可在线阅读，更多相关《市场调研数据的应用分析 - 四市场态势预测（4页珍藏版）》请在金锄头文库上搜索。
1、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。 1.1.一元线性回归一元线性回归操作过程操作过程 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： 销售毛利率销售毛利率1983.4061983.4065.065*5.065*销售铺货率销售铺货率 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。 2.2.多元线性回归多元线性回归操作过
2、程操作过程 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。图图 1717 AnovaAnova检验检验 P P 值值如图 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
3、率。图图 1818 系数系数3.3.逐步多元回归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”。结果解读结果解读由于选中了线性、对数、倒数、二次、
4、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。图图 1919 输出结果示例输出结果示例幂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。图图 2020 曲线拟合曲线拟合综上所述，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。
