第 章 营销调研中的预测分析
本章学习目标
理解预测的基本概念
学习如何在营销调研中应用回归分析
了解怎样用时间序列分析描述一个历史模
型
了解指数平滑法的使用
预测的定义
预测是根据过去的经验和先前的观察作
出的对将要发生的事件的描述
预测有两种方法：推断和模型预测
推断 是用过去的经验作为预测未来的手段。
这个过程受过去经验的影响很大。
预测 模型包含影响你所预测的要素的各个
适当条件之间的关系。它不是根据过去经
验的推断，而是对各因素在跨时间联系中
进行研究的结果。
如何判断预测准确性
预测的准确性可用残差或误差的
大小来表示残差分析是指比较预测值
和实际值差异大小，它是所有评估预
测精度方法的基础。
二元回归分析
二元回归分析是用一个变量通过一次
线性方程式确定另一个被预测的变量。
二元回归分析只有两个变量：
因变量是我们要预测的值，记为y
自变量是用来预测因变量的变量，记为x
自变量和因变量都是回归分析中专门指
明的特殊量，它们之间并无因果或相互影
响的依赖关系。两变量间只可能有统计关
系。
线性关系的回归是一个功能强大的模
型，线性方程为：y=a+bx
式中，y为预测变量，x为用于预测y
的变量，a为截距，b为斜率。
计算b的公式为：
计算a的公式为：
使营销调研人员能得到通过分布图上点的使营销调研人员能得到通过分布图上点的
回归直线，并且能估计自变量在某一水平上的回归直线，并且能估计自变量在某一水平上的
因变量值因变量值
二元回归分析结果的优点是：二元回归分析结果的优点是：
1 1 回归分析只是描述两变量之间回归分析只是描述两变量之间
线性关系的统计学工具，它是从线性关系的统计学工具，它是从
相关分析中引出的，而相关是衡相关分析中引出的，而相关是衡
量两个变量间的线性关系，而非量两个变量间的线性关系，而非
因果关系的因果关系的
2 2 不要用回归分析法对建立模型不要用回归分析法对建立模型
所采样范围之外的值进行预测。所采样范围之外的值进行预测。
回
归
分
析
的
两
个
注
意
点
多元回归分析
多元回归分析是对二元回归分析的扩展，即多元回归分析是对二元回归分析的扩展，即
在回归等式中存在多个自变量。实际运用中，预在回归等式中存在多个自变量。实际运用中，预
测常常依赖于多个因素，而不是一个。测常常依赖于多个因素，而不是一个。
多元回归等式的一般形式为：多元回归等式的一般形式为：
式中，式中，yy为因变量或预测变量，为因变量或预测变量，xxii为第为第ii个自变个自变
量，量，aa为截距，为截距，bbii为第为第ii个自变量的斜率，个自变量的斜率，mm为自变为自变
量总数量总数
多元回归分析的特殊应用
使用名义自变量
用归一化β系数比较自变量的重要性
把多元回归用作筛选器
历史数据的时间序列分析
营销调研人员的很多数据都与连续的等
间隔时间有关。例如，以一年到一年，一季
到一季，一月到一月，一周到一周，甚至一
天到一天为基础。这些历史数据就是时间序
列数据。
经济学家对历史数据已做过多年研究，
并建立了一个模型，称为时间序列模型。
在商业领域有三个基本概念：趋势、周
期和季节性
趋势是指数据的总体走向，趋势是指数据的总体走向，
最常用的研究时间序列的趋势最常用的研究时间序列的趋势
的方法为线性回归和指数平滑。的方法为线性回归和指数平滑。
用线性回归线确定趋势，通常
用最小平方和规则处理，找出
最佳拟合直线
用指数平滑法是给每年的数据加权，
以调整拟合曲线，使离预测年份近的比
离预测年份远的强，权重也增大。当离
散点不符合线性拟合时，就需要使用指
数平滑法，可以用S型、J型或其他能更
好的与离散点趋势一致的曲线进行拟合。
周期 指多年中商业数据的波浪
式起伏变化。
季节性 指销售额随季度或月份
不同而有规则的波动起伏。季节性是
营销经理作出预测要考虑的重要因素。
