Bài tập: Dự báo trong kinh doanh

Chia sẻ: Tranphu Trung | Ngày: | Loại File: XLS | Số trang:6

1
1.397
lượt xem
366
download

Bài tập: Dự báo trong kinh doanh

Mô tả tài liệu
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài tập tham khảo về dự báo trong kinh doanh dành cho sinh viên khoa quản trị kinh doanh.

Chủ đề:
Lưu

Nội dung Text: Bài tập: Dự báo trong kinh doanh

  1. Tuần TV Ads Cars Sold 1 1 14 2 3 24 3 2 18 4 1 17 5 3 27 Vẽ biểu đồ phân tán. Nhận xét Tính hệ số tương quan, r Giải TV Ads: Số lần quảng cáo trên TV (x) Cars Sold: Số xe ô tô bán được (y) 30 25 20 s  d C ar Sol 15 10 5 0 0. 5 1 1. 5 2 2. 5 3 3. 5 TV  ds A Mối liên hệ giữa số xe ô tô bán được và số lần quảng cáo trên TV có thể xấp xỉ tuyến tính Mối liên hệ này là đồng biến Tính hệ số tương quan, r r= 0.936586 Mối liên hệ tuyến tính giữa số xe ô tô bán được và số lần quảng cáo trên TV là rất chặt và đồng biến r được dùng để đánh giá cường độ và chiều hướng của mối liên hệ tuyến tính giữa 2 biến Về cường độ: Theo một quy tắc kinh nghiệm - r = 0 thì 2 biến X và Y không có mối liên hệ tuyến tính (vẫn có thể có mối liên hệ phi tuyến tính) - 0 < r ≤ 0,5 thì 2 biến X và Y có mối liên hệ tuyến tính yếu - 0,5 < r ≤ 0,7 thì 2 biến X và Y có mối liên hệ tuyến tính vừa - 0,7 < r ≤ 0,8 thì 2 biến X và Y có mối liên hệ tuyến tính khá chặt - 0,8 < r ≤ 0,9 thì 2 biến X và Y có mối liên hệ tuyến tính chặt - 0,9 < r ≤ 1,0 thì 2 biến X và Y có mối liên hệ tuyến tính rất chặt - r = 1,0 thì 2 biến X và Y có liên hệ hàm số tuyến tính Về chiều hướng: - r > 0 thì mối liên hệ là đồng biến - r < 0 thì mối liên hệ là nghịch biến Viết phương trình hồi quy ước lượng mô tả mối liên hệ tuyến tính giữa hai biến trên Phương trình hồi quy ước lượng mô tả mối liên hệ tuyến tính giữa hai biến trên có dạng: y = b0 + b1 x ˆ (Tạo công thức: Vô Inset > Object > Microsoft Equation 3.0 ở hộp Object type) Trong Excel, ta có thể tìm được b0 và b1 theo các cách sau:
  2. Cách 1: Dựa vào biểu đồ phân tán Rê con trỏ chuột trên bất kỳ điểm nào của biểu đồ phân tán rồi nhắp nút chuột phải Chọn Add Trendline + Type: chọn Linear + Options: Nhắp nút trái chuột vào hộp chọn trước Display equation on chart và Display R-squared value on chart 30 25 fx)=  +  (   5x  10 R²=  88   0. 20 s  d Car Sol 15 10 5 0 0. 5 1 1. 5 2 2. 5 3 3. 5 TV  Ads Vậy phương trình hồi quy ước lượng là y =10 +5 x ˆ Cách 2: Dùng hai hàm là INTERCEPT() và SLOPE(); quét chọn dữ liệu của biến y trước, biến x sau b0 = 10 b1 = 5 Cách 3: Dùng lệnh Regression Tools > Data Analysis > Regression SUMMARY OUTPUT Regression Statistics Multiple R 0.94 Hệ số tương quan, r R Square 0.88 Hệ số xác định, r2 Adjusted R Square0.84 Standard Error 2.16 Observations 5 ANOVA df SS MS F Significance F Regression 1 100 100 21.43 0.02 Residual 3 14 4.67 Total 4 114 Coefficients Standard Errort Stat P­value Lower 95% Upper 95% Intercept 10 2.37 4.23 0.02 2.47 17.53 TV Ads 5 1.08 4.63 0.02 1.56 8.44 b0 b1 Kiểm định ý nghĩa của β1 (Slide 33, chương 4) Đặt giả thuyết: như Slide 33
  3. Giá trị thống kê kiểm định: t = 4,6291 Giá trị tra bảng phân phối t với α = 0,05 và df = n - 2 = 5 - 2 = 3 là t0,025; 3 = 3.182 Kết luận: như Slide 33 Khoảng tin cậy cho β1 (Slide 36, chương 4) TỪ 1,56 ĐẾN 8,44 Dự báo (Slide 49, 50, 51 và 53, chương 4) + Dự báo điểm Với xp = 3 thì y p = 10 + 5(3) = 25 ˆ hay y p = 25 ˆ =FORECAST(3;C2:C6;B2:B6) + Dự báo khoảng cho giá trị trung bình (công thức ở Slide 50) yp = ˆ 25 t0,025; 3 = 3.182 se = 2.16 xp = y ˆ 3 (đề cho) x = 2 5 ∑( x i=1 i − x)2 = 4 TỪ 20.39 ĐẾN 29.61 + Dự báo khoảng cho giá trị CÁ BIỆT (công thức ở Slide 51) TỪ 16.72 ĐẾN 33.28
  4. Display R-squared value on chart Lower 95,0% Upper 95,0% 2.47 17.53 1.56 8.44
  5. =TINV(0,05;3) RECAST(3;C2:C6;B2:B6)
Đồng bộ tài khoản