预测及决策技术应用课程实验报告.doc

《预测及决策技术应用课程实验报告.doc》由会员分享，可在线阅读，更多相关《预测及决策技术应用课程实验报告.doc（40页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、实 验 报 告实验名称： 预测与决策技术应用课程实验 指导教师： 实验日期： 实验地点： 班 级： 学 号： 姓 名： 实验成绩： 实验1 德尔菲预测法【实验题目】某公司为实现某个目标，初步选定了a,b,c,d,e,f六个工程，由于实际情况的限制，需要从六项中选三项。为慎重起见，公司共聘请了100位公司内外的专家，请他们选出他们认为最重要的三项工程，并对这三项工程进行排序，专家的意见统计结果如下表。如果你是最后的决策者，请根据专家给出的意见，做出最合理的决定。专家意见表排序123a301020b101040c161020d10150e144610f20910【实验环境】 Excel 【实验目的

2、】 掌握利用德尔菲法进行定性预测的方法【实验步骤及结果】本实验中，要求选择3个项目进行排序，则可以按每位专家是同等的预测能力来看待，并规定其专家评选的排在第1位的项目给3分，第2位的项目给2分，第3位的项目给1分，没选上的其余项目给0分。在本实验中，=3分，=2分，=1分。上表中，对征询表作出回答的专家人数N=100人：赞成a项排第1位的专家有30人（即=30），赞成a项排第2位的专家有10人（ =10），赞成a排第3位的有20人（ =20）。所以，a项目的总得分为：3*30+2*10+1*20=130分。同理可以分别计算出：b项目的总得分为：3*10+2*10+1*40=90分；c项目的总得

3、分为：3*16+2*10+1*20=88分；d项目的总得分为：3*10+2*15+1*0=60分；e项目的总得分为：3*14+2*46+1*10=144分；f项目的总得分为：3*20+2*9+1*10=88分。由此，绘制下表。并从总分按高到低排序，得到前三个项目是e、a、b。专家意见表排序第1位第2位第3位得分分排序分值分321工程a3010201302b101040903c161020884d10150606e1446101441f20910884该方法用统计方法综合专家们的意见，定量表示预测结果。实验成绩： 批阅老师： 批阅日期： 2014-11-08 实验2 多元线性回归预测法【实验题目

4、】1970-1982年某国实际通货膨胀率、失业率和预期通货膨胀率（%）年份实际通货膨胀率Y失业率X1预期通货膨胀率X219705.924.904.7819714.305.903.8419723.305.603.3119736.234.903.44197410.975.606.8419759.148.509.4719765.777.706.5119776.457.105.9219787.606.106.08197911.475.808.09198013.467.1010.01198110.247.6010.8119825.999.708.001.建立实际通货膨胀率、失业率和预期通货膨胀率的多元线

5、性回归模型；2.对模型进行检验（取=0.05）；3.如果1983年的失业率为7.3%，预期通货膨胀率为9.2%，预测1983年的实际通货膨胀率。【实验环境】 EVIEWS 6.0【实验目的】 掌握多元线性回归模型的原理 掌握多元线性回归模型的建立、估计及检验方法 巩固OLS估计方法的操作和估计步骤 巩固回归模型的预测操作方法，理解预测的用途【实验步骤及结果】设因变量受多个因素影响，且每个影响因素与的关系是线性的，则可建立多元线性回归模型：Eviews 运算演示：一、数据的预处理【1.输入数据】首先建立工作文件:“File/New/Workfile”。设定该工作文件的结构类型为:“Date-re

6、gular frequency(日期-固定频率)”；将频率设定为:“Integer data(整数日期)”；日期的范围为:1970-1982；并对该工作文件命名:“黄智_实验2”。输入13个因变量-实际通货膨胀率Y的数据；13个自变量-失业率X1的数据、13个自变量-预期通货膨胀率X2的数据。【2.绘制动态曲线图】输入序列名称各个变量的动态曲线从三个动态曲线图中，可以明显的发现实际通货膨胀率Y、失业率X1、预期通货膨胀率X2的数据变化，有很强的随着时间推移向下或向上的趋势。【3.绘制散点图】【4.简单相关分析】从简单相关分析中，可以看出实际通货膨胀率Y与预期通货膨胀率X2有较强的相关性，其相关

7、性为正相关；而实际通货膨胀率Y与失业率X1的相关系数为0.116342，表现为不太相关。Eviews 运算演示：二、最小二乘估计在出现的对话框的“Quick/Estimate Equation”栏中键入“npgr c gni cpi gdppc”，在“Estimation Settings”栏中选择“Least Sqares”(最小二乘法)，点“ok”，即出现回归结果：根据表中数据，模型估计的结果为：Eviews 运算演示：三、回归模型检验【1.经济意义检验】上述模型估计结果说明：在假定其它变量不变的情况下，当年实际通货膨胀率Y每增长1%，失业率X1下降1.393115%；在假定其它变量不变的

8、情况下，实际通货膨胀率Y每增长1%，预期通货膨胀率X2增长1.480674%。这与理论分析和经验判断相一致。【2.拟合优度检验】由回归模型的表中数据可以得到：。其拟合优度值，所以拟合优度检验通过，说明模型对样本的拟合很好。【3.t检验】由回归模型的表中数据可以得到：常数量C和自变量X1、X2 的。其，所以t检验通过，常数和自变量之间对因变量由很大的影响性。【4.F检验】由回归模型的表中数据可以得到：该回归模型函数的。其，所以F检验通过，该函数可以很好的拟合此模型。【5.DW检验（取）】由回归模型的表中数据可以得到：该回归模型的。由DW检验可获得：1.a 表示检验水平、T表示样本容量、 k表示回

9、归模型中解释变量个数（不包括常数项）；2.dU和dL分别表示DW检验上临界值和下临界值。本回归模型中，通过查表可获得DW检验上临界值和下临界值。所以，由可以知道，不存在自相关。Eviews 运算演示：四、检查模型的多重共线性【1.多重共线性检查】选定两个自变量：失业率X1、预期通货膨胀率X2。作为相关性的分析，获得的相关系数为如下表所示。由相关系数矩阵可以看出：各自变量相互之间的相关系数为0.642917不太高，证实确实不存在严重多重共线性。Eviews 运算演示：五、检验自相关性【1.自相关性的诊断】1）DW检验法由回归模型的表中数据可以得到：该回归模型的。由DW检验可获得：1.a 表示检验

10、水平、T表示样本容量、 k表示回归模型中解释变量个数（不包括常数项）；2.dU和dL分别表示DW检验上临界值和下临界值。本回归模型中，通过查表可获得DW检验上临界值和下临界值。所以，由可以知道，不存在自相关。2）LM检验法可以检验是否有高阶自相关原假设：残差不存在从一阶到p阶的自相关。EViews将显示残差的自相关和偏自相关函数以及对应于高阶序列相关的Ljung-Box Q统计量。如果残差不存在序列相关，在各阶滞后的自相关和偏自相关值都接近于零。所有的Q-统计量不显著，并且有大的P值。上表中，几乎所有的P值都很大，其相对应的具体。所以，可以得出对于原假设：“残差不存在从一阶到三阶的自相关”成立

11、。尽管可以得到残差不存在从一阶到三阶的自相关，但是也可以通过Cochrane-Orcutt（科克伦奥科特）迭代法的DW检验，来间接检验是否存在“残差不存在从一阶到三阶的自相关”。【2.自相关的克服方法】Cochrane-Orcutt（科克伦奥科特）迭代法本回归模型中，通过查表可获得DW检验上临界值和下临界值。所以由。可以知道，已经不存在相关。通过两阶段最小二乘法(TSLS)消除序列相关。其估计结果如下图所示：通过上图可以很明显地得到：该新的回归方程函数的各个解释变量都通过了t检验，函数本身也通过了F检验。拟合优度(),由于值，也即其拟合优度检验通过，说明模型对样本的拟合很好。由回归模型的表中数

12、据可以得到：该回归模型的。由DW检验可获得：1.a 表示检验水平、T表示样本容量、 k表示回归模型中解释变量个数（不包括常数项）；2.dU和dL分别表示DW检验上临界值和下临界值。本回归模型中，通过查表可获得DW检验上临界值和下临界值。所以由可以知道，其回归方程已确定不存在自相关。Eviews 运算演示：六、检验异方差性【异方差的诊断】通过怀特（White）检验，得到收尾概率值均大于显著水平（），不存在异方差。Eviews 运算演示：七、预测查找到2007年我国国民总收入/GNI为251481.00亿元、居民消费价格指数增长率/CPI为4.8 %、以及人均GDP/GDPPC为18980元，对2

13、007年的人口自然增长率/NPGR进行预测。【1.用菜单方式进行预测-模型只含有两个变量】【2.预测评价】1）基于预测误差的评价指标均方根误差（root mean squared error, RMSE）平均绝对误差（mean absolute error, MAE）平均绝对百分误差（mean abs. percent error, MAPE）希尔不等系数（Theil inequality coefficient, TIC）前两项测量绝对误差，后两项测量相对误差。绝对误差比较直观，但取值大小受量纲的影响，不能形成统一的评价标准。相对指标则可以形成一致的评价标准。MAPE的取值在0-5之间说明预

14、测精度极高，在10以内说明预测精度高。TIC取值范围是0-1之间，取值越小越好。因为：、。所以，预测结果十分理想、预测精度高。2）误差成分分析偏差率（bias proportion, BP）：预测值序列和实际值序列的均值之差。数值越大越说明预测是有偏的。方差率（variance proportion, VP）：预测值序列的均值和实际值序列的标准差的差距。取值越大，说明预测值与实际值的变异存在明显差异。斜变率（covariance proportion, CP）前两项指标反映的是系统误差，预测中应尽量避免。斜变率反映的是非系统性误差。一个理想预测的总误差中，系统性误差所占份额应尽可能小，非系统误

15、差所占份额应尽可能大，因此偏差率和方差率应尽可能小，斜变率应尽可能大。因为：。所以，预测十分理想。如果1983年的失业率为7.3%，预期通货膨胀率为9.2%，预测1983年的实际通货膨胀率为10.55%。实验成绩： 批阅老师： 批阅日期： 2014-11-08 实验3 移动平均预测法【实验题目】已知某类产品以前15个月的销售额如下表所示。某产品连续15个月的销售额时间序号123456789101112131415销售额/万元 10158201016182022242026272929时间123456789101112131415销售额118210161820222420262729291分别取

16、N=3，N=5，计算一次移动平均数，并利用一次移动平均法对下个月的产品销售额进行预测。2取N=3，计算二次移动平均数，并建立预测模型，求第16，17周期的预测值。【实验环境】 Excel【实验目的】 掌握移动平均法的原理 掌握一次移动平均数、二次移动平均数的计算方法 掌握二次移动平均预测法【实验步骤及结果】n 移动平均法是一种改良的算术平均法，适用于短期预测。n 当时间序列受到周期变动和不规则变动的影响较大，且不宜显示出其发展趋势时，可用移动平均法消除这些因素的影响，分析、预测序列的未来趋势。n 移动平均法的基本原理，是通过移动平均消除时间序列中的不规则变动和其他变动，从而揭示出时间序列的长期

17、趋势。1. 移动平均值(Moving Averages)时间序列：；选定跨越期N（N 20，取；n 20，取最初几期数据的平均值。而本题中，因为n=10 20时，取；当n 100%，意味着实际值X 比移动平均数（）要大，该季度的季节性和随机性高于平均数。反之，如果比率小于100%，则表示季节性和随机性低于平均数。 下图所示，包含了季节性和随机性的数据趋势图（）。将“比率”中各年同一季度的数据放在同一列之中，求相同各季度的平均值，（其中上面的横线表示季节平均）。 年 季度1234合计19921.03 1.16 2.2 19930.84 0.95 0.99 1.19 4.0 19940.85 0.

18、96 1.00 1.19 4.0 19950.85 0.96 1.00 1.20 4.0 19960.85 0.96 0.98 1.22 4.0 19970.86 0.96 0.96 1.23 4.0 19980.86 0.95 0.96 1.24 4.0 19990.86 0.93 0.97 1.22 4.0 20000.87 0.95 0.97 1.21 4.0 20010.88 0.95 0.97 1.20 4.0 20020.88 0.94 0.97 1.19 4.0 20030.90 0.93 0.97 1.19 4.0 20040.89 0.95 0.97 1.19 4.0 20050.90 0.95 0.95 1.20 4.0 20060.89 0.95 0.95 1.21 4.0 20070.89 0.95 0.96 2.8 月平均0.8706 0.9482 0.9756 1.2019 60.9203 修正平均0.870630.948240.975551.