物流需求預測方法介紹-資料下載頁
2025-01-07 23:08本頁面
【正文】 中的自變量的個數(shù)。 （ F檢驗） 回歸方程的顯著性檢驗，即檢驗整個回歸方程的顯著性，或者說評價所有自變量與因變量的線性關系是否密切。能常采用 F檢驗， F統(tǒng)計量的計算公式為： 根據(jù)給定的顯著水平 a,自由度 (k,nk1)查 F分布表，得到相應的臨界值 Fa，若 F Fa，則回歸方程具有顯著意義，回歸效果顯著； F Fa，則回歸方程無顯著意義，回歸效果不顯著。 （ t檢驗） 在一元線性回歸中，回歸系數(shù)顯著性檢驗 (t檢驗 )與回歸方程的顯著性檢驗 (F檢驗 )是等價的，但在多元線性回歸中，這個等價不成立。 t檢驗是分別檢驗回歸模型中各個回歸系數(shù)是否具有顯著性，以便使模型中只保留那些對因變量有顯著影響的因素。檢驗時先計算統(tǒng)計量 ti；然后根據(jù)給定的顯著水平 a,自由度 nk1查 t分布表，得臨界值 ta或 ta / 2,t t ? a或 ta / 2，則回歸系數(shù) bi與 0有顯著關異，反之，則與 0無顯著差異。統(tǒng)計量 t的計算公式為： 其中， Cij是多元線性回歸方程中求解回歸系數(shù)矩陣的逆矩陣(x39。x) ? 1的主對角線上的第 j個元素。 四、 BP神經(jīng)網(wǎng)絡預測模型 ? BP網(wǎng)絡是由 Rumelhart,Hinton和 Williams完整提出來的 ,它是一種包含有輸入層、隱含層和輸出層的單向傳播的多層前向網(wǎng)絡 ,其結構如圖 詳見 神經(jīng)網(wǎng)絡預測法有許多優(yōu)點： 四、 BP神經(jīng)網(wǎng)絡預測模型 ?首先，神經(jīng)網(wǎng)絡的訓練方式，使得它特別適合于劇烈變化的情況。在這種情況下，它仍能取得較為穩(wěn)定的模型。 ?其次，神經(jīng)網(wǎng)絡不要求時間序列的間隔一致，這使得樣本采集更為靈活。 ?再者，神經(jīng)網(wǎng)絡的輸入不要求是單一的序列數(shù)據(jù)，還可以是其他信息，比如環(huán)境因素變化數(shù)據(jù)、相關因素等。 五、動態(tài)面板數(shù)據(jù)模型 ? 面板數(shù)據(jù) （ panel data）也稱時間序列截面數(shù)據(jù)或混合數(shù)據(jù)，是指在時間序列上取多個截面在這些截面上同時選取樣本觀測值所構成的樣本數(shù)據(jù)，也就是把截面數(shù)據(jù)和時間序列數(shù)據(jù)融合在一起的數(shù)據(jù)。 利用面板數(shù)據(jù)建立模型的好處是： （ 1）由于觀測值的增多，可以增加估計量的抽樣精度。 （ 2）對于固定效應模型能得到參數(shù)的一致估計量，甚至有效估計量。 （ 3）面板數(shù)據(jù)建模比單截面數(shù)據(jù)建?？梢垣@得更多的動態(tài)信息。 ? 動態(tài)面板數(shù)據(jù) 是研究現(xiàn)象動態(tài)行為的一種重要方式，在一個模型中添加動態(tài)因素，是對方程理解上的一個變化。在方程中添加滯后變量即右邊變量的整個歷史，所以所觀測的任何影響都以這個歷史為條件。假如在面板數(shù)據(jù)模型右端加入滯后因變量的話，則模型變?yōu)閯討B(tài)面板數(shù)據(jù)模型。 ?其基本形式為 五、動態(tài)面板數(shù)據(jù)模型 式中： δ是一個常數(shù)， β是 k 1向量， Xit和 yit是解釋變量和被解釋變量， i=1， 2， … ， N， t=1， 2， … ， T。 動態(tài)面板數(shù)據(jù)模型的一個突出優(yōu)點是通過控制固定效應較好地克服了變量遺漏問題，而且還較好地克服了反向因果性問題。 和一般的面板數(shù)據(jù)模型一樣，動態(tài)面板數(shù)據(jù)模型也有固定效應模型和隨機效應模型。假如 μ i是待估的固定參數(shù)，則模型為固定效應模型，若 μ i是隨機的，則模型是隨機效應模型。無論在固定效應模型還是隨機效應模型中，即使 Vit本身不存在自相關，滯后因變量與干擾項也會相關。 五、動態(tài)面板數(shù)據(jù)模型
教學課件相關推薦
鄂ICP備17016276號-1