檢視回归法的原始碼

{| class="wikitable" align="right"

|-

| style="background: #66CCFF" align= center|  '''<big>回归法</big> '''

|-

|[[File:回归法.jpg|缩略图|[ [https://zhuanlan.zhihu.com/p/154067000]原图链接]]]

|-

| style="background: #66CCFF" align= center|

|-

| align= light|

中文名: 回归分析预测法

外文名: Regression Analysis Prediction Method

注 意: 应用合适的数据资料

步 骤: 确定自变量和因变量

注意问题: 避免回归预测的任意外推

|}

回归分析预测法(Regression Analysis Prediction Method)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。<ref>[ ], , --</ref>

==概念==

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。

==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。

==步骤==

1．根据预测目标，确定自变量和因变量

明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。

2．建立回归预测模型

依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测[[模型]]。

3．进行相关分析

回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当变量与因变量确实存在某种关系时，建立的回归方程才有意义。因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。

4．检验回归预测模型，计算预测误差

回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。

5．计算并确定[[预测值]]

利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。

应用回归预测法时应首先确定变量之间是否存在相关关系。如果变量之间不存在[[相关关系]]，对这些变量应用回归预测法就会得出错误的结果。

正确应用回归分析预测时应注意：

①用定性分析判断现象之间的依存关系；

②避免回归预测的任意外推；

③应用合适的数据资料。

== 参考来源 ==

[[reflist]]

[[Category: ]]