《对《多元线性回归模型在物流成本预测中的应用》的解读.pdf》由会员分享，可在线阅读，更多相关《对《多元线性回归模型在物流成本预测中的应用》的解读.pdf（7页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精品文档对对多元线性回归模型在物流成本预测中的多元线性回归模型在物流成本预测中的应用的解读应用的解读一一.内容简介内容简介本文以国家宏观物流成本数据为研究对象，应用多元回归分析理论，对影响物流成本的相关指标进行分析，建立了线性回归模型，通过物流成本的统计分析，使企业可以从全局的角度了解自身的物流运作现状，明确目前关键的瓶颈问题以及突破口，提出解决的方法，以提高企业整体的运作绩效。二研究过程二研究过程（一）变量选择（一）变量选择全国宏观物流成本总额(Y)由运输成本（X1）、保管成本（X2）、包装及货损成本（X3）、信息及管理成本（X4）组成，根据 19962012 年统计数据（见表 1）进行多元
2、线性回归分析。表11996-2012年我国宏观物流成本T1996199719981999X13320.273479.923835.474484.62X2831.81X3863.98X4755.21Y3775.271073.15923.43800.0784279.57849236037.411080.251084.51920.771180.791324.61046.4可编辑精品文档20002001200220032004200520062007200820092010201120124814.345332.086284.416181.035909.086726.757293.97719.8781
3、25.488759.881484.351599.781169.62093.072341.1616572506.52699.62815.152065.82908.682191.87068.079422.3111669.8611978.112593.623372.542676.8612548.12150.533361.872631.3912865.541828.344083.11934.324500.92839.0714038.413010.1415158.231886.165119.063419.1216541.822088.966340.672921.8818102.3910165.86231
4、6.257794.663208.1620474.9210879.822510.538776.163379.2322847.5411955.272667.649684.273864.2924231.14（二）数据分析（二）数据分析输入数据到 EViews，进行回归分析，回归分析结果（见表 2）。表2Y-X1、X2、X3、X4最小二乘法回归结果Dependent Variable:YMethod:Least SquaresSample:1996 2012Included observations:17VariableCX1X2Coefficient-1757.2100.9284330.927605
5、可编辑Std.Error768.06910.2854240.206280t-Statistic-2.2878283.2528274.496834Prob.0.04110.04110.00690.00690.00070.0007精品文档X3X4R-squaredAdjusted R-squaredS.E.of regressionSum squared residLog likelihoodF-statisticProb(F-statistic)0.7672291.4770410.2216080.2397653.4621046.1603660.00470.00470.00000.00001270
6、3.636362.43614.5549814.8000514.579342.1567170.9982120.998212 Mean dependent var0.9976160.997616 S.D.dependent var310.6257 Akaike info criterion1157860.Schwarz criterion-118.7174 Hannan-Quinn criter.1675.1551675.155 Durbin-Watson stat0.0000000.000000R2 0.998F 1675.155 DW.2.156717由运行结果看出，可决系数R2与R2均接近于
7、 1，综合度量回归模型对样本观测值拟合优较好；取=0.05，F 检验值为 1675.155，P 值约等于 0，说明结果显著；再通过自变量X1、X2、X3、X4的 pro(t-Statistic)值看它们的拟合效果，分别是0.0411、0.0069、0.0007、0.0047 和 0.0000，其pro(t-Statistic)值均小于，结果显著，拒绝原假设，说明它们与Y显著相关，通过 t 检验。回归方程为：Y 1757.21042656 0.9284334868*X1 0.927605379971*X2 0.767228510887*X3 1.47704071679*X4(1)（三）统计检验（
8、三）统计检验1.1.异方差性检验异方差性检验对上述模型（1）利用怀特（White）检验方法：首先，利用OLS 估计模型（1）获得残差ei2；其次，作残差平方ei2对所有原始变量、变量平方、变量交叉乘积的回归分析，得到辅助方程；最后，检验的零假设是:不存在异方差，对辅助方程的R2作2检验。回归模型（1）的残差平方ei2与X1、X2、X3、X4及其平方项与交叉项作可编辑精品文档辅助回归，得表 3：Dependent Variable:E2Method:Least SquaresSample:1996 2012Included observations:17VariableCoefficientSt
9、d.Errort-StatisticProb.C2236829.2269530.0.9855910.4282由此，X1-2075.6631820.925-1.1398950.3724X2568.8256908.44190.6261550.5951可得到：X32479.7782007.1091.2354970.3421X473.031671326.3220.0550630.9611X120.3622480.3260361.1110660.3822X22-0.1626500.191098-0.8511340.4843X320.6307420.3725181.6931840.2325X42-1.76
10、98930.320301-5.5257150.0312X1*X2-0.1030070.326672-0.3153220.7824X1*X3-1.2776650.661778-1.9306540.1933X1*X40.7448500.3512652.1204750.1681X2*X3-0.1287330.362658-0.3549700.7565X2*X40.4785990.4161101.1501730.3690X3*X40.7784900.2140713.6365940.0680R-squared0.993744 Mean dependent var68109.41Adjusted R-sq
11、uared0.949948 S.D.dependent var152879.0S.E.of regression34202.52 Akaike info criterion23.34263Sum squared resid2.34E+09 Schwarz criterion24.07781Log likelihood-183.4123 Hannan-Quinn criter.23.41571F-statistic22.69058 Durbin-Watson stat2.335532Prob(F-statistic)0.042982可编辑以精品文档e2 2236828.510842075.662
12、89125*X1568.825578278*X22479.77814849*X373.0316721908*X40.36224765939*X120.162649583518*X220.630742305614*X321.76989327541*X420.103006871448*X1*X21.27766492815*X1*X30.744849572006*X1*X40.128732802655*X2*X30.478598946928*X2*X40.778490064165*X3*X4R20.993，怀特统计量nR216.8936,在 5%的显著性水平下，自由度为 142 23.7 16.89
13、36，因此接受原假设，即不存在异方的2分布的相应临界值0.05(2)差。2.2.序列自相关性检验序列自相关性检验对模型（1）采用 D.W.检验法检验序列的自相关性，在上述的表 1 结果中已dU1.67，经显示：当 n=17，k=4（不包含常数项），查表得dL1.03，DW.2.1567，由于dUDW.2.15674dU，得该模型无自相关性。3.3.比较预测结果与真实值比较预测结果与真实值表4 模型预测结果与真实值比较1996199719981999200020012002200320042005200620072008Y3775.2704279.5784923.0006037.4107068.
14、0709422.31011669.8611978.1112548.1012865.5414038.4115158.2316541.82Y23875.3774359.3534997.8966063.6147044.4199378.47511613.6211954.6312676.1712948.9714036.7615103.7816514.04可编辑精品文档200920102011201218102.3920474.9222847.5424231.1417493.9620548.5522397.3424954.7428,00024,00020,00016,00012,0008,0004,000
15、01996199820002002Y20042006Y-pre200820102012图1 模型预测结果与真实值比较.04.03.02.01.00-.01-.02-.03-.04199619982000200220042006200820102012Relative Error图2 模型预测结果与真实值的相对误差合图 1 和图 2，真实值与预测值的相对误差在 0.04 以内变化，模型的拟合结果较好。可编辑精品文档三结论与政策建议三结论与政策建议由预测模型可以看出信息及管理成本与总成本呈现出及其显著的相关性，在很大程度上是预测物流成本的重要指标。基于以上的分析结果，本文有针对性的提出降低社会物流成本的建议：其一，降低体制性物流成本；第二，加强库存管理；第三，支持专业化的第三方物流发展；第四，借助现代化的信息管理系统控制和降低物流成本。可编辑