一、历史资料研究法 通过对已存在的资料进行深入研究，寻找事实和一般规律，并依照这种一般规律对未来进行预测。（优）省时、省力、节省费用。（缺）只能被动地局限于资料。 二、调查研究法 1、问卷调查或电话访问 2、实地调研 3、深度访谈 （优）可以获得最新的资料和信息，可以主动提出问题并获得解释。（缺）成功与否取决于研究者和访问者的技巧和经验。 三、归纳与演绎法 归纳法：从个别到一般，先观察后推论，发现一种在一定程度上代表所有给定事件秩序的模式。 演绎法：从一般到个别，先推论后观察，从逻辑或者理论上的预期的模式到观察检验预期的模式是否确实存在。 四、比较研究法 1、行业增长横向比较； 2、行业未来增长率预测 五、数理统计法 （一）相关分析：分析指标变量间的相关关系，测定联系的密切程度，检验其有效性。 相关关系：指标变量之间的不确定的依存关系（因果关系、共变关系） 相关分析的分类： （按研究指标变量多少区分） 1、 一元相关（单相关） 2、 多元相关（复相关） （按指标变量之间依存关系的形式区分） 1、 线性相关（直线相关） 2、非线性相关（曲线相关） （按指标变量变化的方向区分） 1、正相关 2、 负相关 （按指标变量之间的密切程度区分） 1、完全相关 2、不相关或零相关 3、不完全相关 相关系数r的取值范围：|r|≤1。 当|r|=1时，表示两指标变量完全线性相关。 当|r|=0时，表示两指标变量不存在线性相关。 当|r|<1时，通常认为：0<|r|≤0.3为微弱相关；0.3<|r|≤0.5为低度相关；0.5<|r|≤0.8为显著相关；0.8<|r|<1为高度相关 [Page] （二）一元线性回归――分析一个自变量X与一个因变量Y之间线性关系的数学方程。 回归分析的前提：只有存在相关关系的指标变量才能进行回归分析，且相关程度越高，回归测定的结果越可靠。相关系数是判定回归效果的一个重要依据。 判定系数r2表明指标变量之间的依存程度，r2越大，表明依存度越大。 显著性检验：回归系数b的显著性检验和模型整体的F检验 一元线性回归方程的应用： ①描述两指标变量之间的数量依存关系； ②利用回归方程进行预测，把预报因子（即自变量X）代入回归方程可对预报量（即因变量Y）进行估计； ③利用回归方程进行统计控制，通过控制X的范围来实现指标Y统计控制的目标。 （三）时间数列（时间序列）――社会经济指标数值按时间顺序排列而形成的一种数列 时间数列的分类（按照指标变量的性质和数列形态不同）： 1、 随机性时间数列 (由随机变量组成) 2、 非随机性时间数列： a、 平稳性时间数列 (由确定性变量构成) b、 趋势性时间数列(各期数值逐期增加/减少,呈现发展变化趋势) c、 季节性时间数列(按月统计各期数值,随季节变化而周期性波动) 自相关――时间数列前后各期数值之间的相关关系 自相关系数――相关关系程度的测定。自相关系数取值为-1～1，即|r k|≤1。 时间数列的判别准则： ①如果所有自相关系数都近似等于零，表明该时间数列属于随机性时间数列； ②如果r1比较大，r2、r3渐次减小，r4趋近于零，表明该时间数列是平稳性时间数列； ③如果r1最大，r2、r3等逐渐递减但不为零，表明该时间数列存在着某种趋势； ④如果一个数列的自相关系数出现周期性变化，每间隔若干个便有一个高峰，表明该时间数列是季节性时间数列。 最常用的三种时间数列预测方法：趋势外推法、移动平均法与指数平滑法 本文来源：https://www.wddqw.com/doc/6e59c4bfaa956bec0975f46527d3240c8547a1cf.html