领导交待你一个新任务,认为你未来有发展前景,可你因为私事无法胜任这份工作的理由,编制理由

来源：蜘蛛抓取(WebSpider) 时间：2015-05-13 04:50 标签： 红警新任务
& 引言经济预测是预测的一个分支，是指以准确的调查统计资料和经济信息为依据，从经济现象的历史、现状和规律性出发，运用科学的方法，经过对经济活动的各个方面情况的调查，获得了大量的资料、数据和信息，通过对这些资料、数据、信息的整理、分析和研究，不仅可以对经济活动的现状做出恰当的定性、定量结论，深化对经济活动内在规律的认识，而且还能够结合经济现象的历史状况，运用科学的方法，对经济现象未来的发展前景进行测定。预测是各级领导和经济管理工作者制定政策，做出决策，编制计划及进行科学的重要依据，经济预测的定义已经显示了它在经济建设中的重要意义。而在进行预测的过程中，最重要的是预测模型的选择.本文着重研究了经济预测中常用的逐步回归分析模型、偏最小二乘回归分析模型，BP神经网络分析模型，灰色预测GM(1,1)模型和组合预测模型，并对它们的优缺点进行了比较。一、逐步回归分析在实际经济问题中，人们总是希望从对因变量有影响的诸多变量中选择一些变量作为自变量，应用多元回归分析的方法建立“最优”回归方程以便对因变量进行预报或控制。逐步回归分析正是根据这种原则提出来的一种回归分析方法。它从一个自变量开始，视其对因变量Y的显著程度，从大到小依次逐个引入回归方程．当引入的自变量由于后面变量的引入而变得不显著时，要将其剔除，引入一个变量或者从回归方程中剔除一个变量都称为逐步回归的一步，每一步都要进行F检验，直至既无不显著的变量从回归方程中剔除，又无显著的变量可引入回归方程为止。主要步骤见文献[1]逐步回归分析有几个问题：一是分析时，多数自变量是组合变量，它们之间存在有严重的多重共线性，这会使得分析结果很不稳定，以至有时某个因素是否选入对回归方程产生很大的影响，使建模者左右为难；二是选中的自变量，有时与我们所希望的有较大的出入，从专业知识方面认为是重要的变量往往落选，使我们很难信服地接受这样的“最优”回归模型；三是所建立的回归方程模型，有的因素的回归系数符号反常，这与经济背景不符合；四是考查外界影响因素时，有些因素是不能随意去掉的；最后，它不能对试验结果是多个指标，对多个目标变量同时建模分析。从上述这5个问题可以看出逐步回归分析方法不能完全适应经济建模过程的需要。二、偏最小二乘回归分析偏最小二乘回归是一种新型的多元统计数据分析方法，它于1983年由伍德和阿巴诺等人首次提出。近十几年来，它在理论及应用方面都得到了迅速发展。它在一个算法下能同时实现多因变量对多自变量的一般最小二乘回归分析、数据结构简化以及两组变量间的相关分析，特别当各变量集合内部存在较高程度的相关性时，用该方法建模,其结论的可靠性和整体性较好。偏最小二乘法可以有效地克服样本容量小于变量个数时进行回归建模以及多个因变量对多自变量的同时回归分析等问题。偏最小二乘回归的基本作法是首先在自变量集中提出第一成分，t1，（t1是自变量集X=( ?字1，?字2，…?字m）T的线性组合，且尽可能多地提取原自变量集中的变异信息）；同时在因变量集中也提取第一成分u1，并要求t1和u1相关程度达到最大。然后建立因变量y1，…yp与t1的回归，如果回归方程已达到满意的精度，则算法中止。否则继续第二对成分的提取，直到能达到满意的精度为止。若最终对自变量集提取r个成分t1，t2，…tr,偏最小二乘回归将通过建立y1，…yp与，t1，t2，…tr 的回归式，然后再表示为y1，…yp与原自变量的回归方程式，即偏最小二乘回归方程式。具体步骤见文献[2]。在分析中，如果出现多重共线性的情况，用偏最小二乘回归分析解决这个问题有很大的优势。然而，偏最小二乘法也有它的弱点，比如，它对影响点是非稳健的，一个或几个影响点的存在，可以严重改变回归的结果。其次，偏最小二乘回归选成分［２］的过程也存在缺点。三、BP神经网络预报模型BP人工神经网络理论是80年代中后期出现的一种人工智能理论，它是对人脑或自然的神经网络若干基本特性的抽象和模拟，是一种非线性的动力学系统。BP神经网络的学习过程是由正向传播和反向传播组成。在正向过程中，输入信号从输入层经隐层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态．如果在输出层不能得到期望的输出，则转向反向传播，将输出的误差按原来的连接通路返回。通过修改各层神经元的权值，使得误差信号最小。得到合适的网络连接值后，便可对新样本进行非线性映象。建模的具体步骤见文献[３]。BP人工神经网络为非线性的梯度优化问题，因此不可避免地存在局部极小问题。当输入样本较多且具有多重共线性时，BP神经网络会降低网络的训练速度和效率，影响预报精度，学习算法通常需要上千次或更多，以上原因大大限制了BP网络的推广应用。由此产生了一系列改进算法，比如Levenberg-Marquardt算法，Quasi-Newton算法，共轭梯度法，弹性BP算法，一阶正切算法，学习率自适应的BP算法等。在一系列的改进算法中，由于各种算法各有优缺点，对一个给定问题来说，很难说那一个算法是最合适的。它取决于多种因素，如问题的复杂度、训练的样本数、网络的权重和偏差数、误差目标等。四、灰色预测GM(1,1)模型经济系统中的数据可以看成是在一定范围内变化的灰色随机量。通过关联分析，并对原数据进行生成数处理，可得到规律性较强的数据序列，然后建立相应的微分方程，预测出经济系统中的未来数据及发展趋势的状况，这就是灰色系统理论用于经济预测的理论基础。灰色预测是灰色系统理论应用的重要组成部分，在经济系统预测中有着广泛的应用前景。记原始数据列?字0为?字0=(?字0(1),?字0(2)，…?字0（n)），根据灰色系统理论对原始数据累加生成新序列?字(1)={?字(1)（1），?字(1)（2），…?字(1)（n)}， 则GM(1,1)模型相应的微分方程为：■，其中：α称为发展灰数；μ称为内生控制灰数。设?\为待估参数向量，■，可利用最小二乘法求解。解得：?\=(BTB)-1BTYn其中：若用原始经济时间序列?字（0）建立的GM（1，1）模型检验不合格或精度不理想时，要对建立的GM（1，1）模型进行残差修正或提高模型的预测精度。修正的方法是建立GM（1，1）的残差模型。五、组合预测模型在对实际经济问题进行预测时，人们往往事先无法确定哪种预测方法最佳，因为每种预测方法的适用条件不同，预测前很难准确判断出适用条件。每种预测方法都有其独特的信息特征，能从不同角度反映未来情况，舍弃一种预测方法都极有可能使宝贵的经济信息资源得不到充分的利用。从预测的可靠性和风险性考虑，仅仅使用单一预测模型对复杂经济系统进行预测是不可行的，为了尽可能多地利用有用信息Bates和Granger提出了组合预测理论，组合预测模型不同于以上几种模型，他不是根据各项历史数据建模，而是将不同的预测模型进行适当的组合，得到比任何一个独立预测值更好的组合预测值。组合预测模型一类为权系数组合预测法，如最优组合预测法，变权重组合预测法，这类方法的特点是认为参加组合预测的各个模型之间是一种线性关系。一类为非线性组合预测法，使用较多的是人工网络方法。六、结语以上经济预测模型在实际应用中既有区别也有一定的内在联系,比如应用任何模型进行预测前都需要对变量进行筛选，需要对预测结果进行相关系数、平均绝对误差和平均相对误差以及预报模型拟合值，相关性进行计算检验。在实际应用中，我们应该根据实际问题的特点选择适合的模型进行预测。
阅读：人次
上一篇文章： 下一篇文章： 没有了
培训超市& (5000多套光盘)一个女的唱的歌词里有我和你有心编制我们的未来_百度知道
一个女的唱的歌词里有我和你有心编制我们的未来
爱比恋更险歌手：陈海铃翻开回忆看着我们纯真的爱模糊视线意外的将来小心碰着现实我们爱的存在几乎就要看到未来只是来得太快去得也快只是仍然握着温暖的意外是点燃一枝烟在听你说明白可是你根本不必再来事到如今看着我们脆弱的爱似乎没有什么可安排转过身去撕碎我们爱的感慨没有留下一个将来只是来得太快去得也快只是仍然握着冰冷的意外是燃尽这枝烟在听你说明白可是你一定要离开.只实现和你编织未来继续编织未来和你编织梦一样的未来是和你编织未来不停编织未来用生命编织永远的爱事到如今看着我们脆弱的爱似乎没有什么可安排转过身去撕碎我们爱的感慨没有留下一个将来只是来得太快去得也快只是仍然握着冰冷的意外是燃尽这枝烟在听你说明白可是你一定要离开.只实现和你编织未来继续编织未来和你编织梦一样的未来是和你编织未来不停编织未来用生命编织永远的爱只实现和你编织未来继续编织未来和你编织梦一样的未来是和你编织未来不停编织未来用生命编织永远的爱
来自团队：
其他类似问题
为您推荐：
我们的未来的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁

我要回帖

更多关于 红警新任务 的文章

 

随机推荐