实用多元统计分析法

第一页，共八十七页，2022年，8月28日本章学习要点：本章主要介绍相关分析和回归分析的概念\种类和相互关系,重点是要掌握回归分析的原理与方法、步骤，特别是能从实际出发解决一元线性回归的预测问题。第二页，共八十七页，2022年，8月28日13.1相关分析和回归分析

当一个或几个变量取一定的值时，另一个变量有确定值与之相对应，这种关系为确定性的函数关系。如某种商品的销售收入Y与该商品的销售量X以及该商品价格P之间的关系可以表示为Y=PX，这就是一种函数关系。一般把作为影响因素的变量称为自变量；把发生对应变化的变量称为因变量。Y是因变量，P与X是自变量。第三页，共八十七页，2022年，8月28日

当一个或几个相互联系的变量取一定数值时，与之相对应的另一变量的值虽然不确定，但它仍按某种规律在一定的范围内变化，变量间的这种相互关系，称为具有不确定性的相关关系。如：劳动生产率与工资水平的关系、投资额与国民收入的关系。相关关系经常用一定的函数形式去近似地描述。相关关系第四页，共八十七页，2022年，8月28日相关关系的特点：（1）现象之间确实存在数量上的依存关系。（2）现象之间数量上的依存关系不是确定的。相关关系与函数关系在一定的条件下是可以相互转换的。（1）本来具有函数关系的变量，当在观测误差时，其函数关系往往以相关的形式表现出来。（2）如果我们对所研究对象有更深入的认识，便可以将影响因素全部纳入方程，使之成为函数关系。相关关系的特点第五页，共八十七页，2022年，8月28日相关关系的种类（一）按相关关系涉及因素的多少可以分为单相关和复相关（二）按相关的形式不同可以分为直线相关和非直线相关（三）直线相关按其变化的方向不同可以分为正相关和负相关（四）按相关的程度可分为完全相关、不完全相关和不相关虚假相关第六页，共八十七页，2022年，8月28日种类1按变量多少划分单相关：一个变量对另一个变量的相关关系，称为单相关。复相关：当所研究的是一个变量对两个或两个以上其他变量的相关关系时，称为复相关。如某种商品的需求与其价格水平及人们收入水平之间的相关关系就是一种复相关。

偏相关第七页，共八十七页，2022年，8月28日种类2按相关形式划分线性相关：当两种相关现象之间的关系大致呈现为线性关系时，称之为线性相关。如人均消费水平与人均收入水平通常呈线性关系。非线性相关：如果两种相关现象之间，并不表现为直线的关系，而是近似于某种曲线方程的关系，则这种相关关系称为非线性相关。如产品的平均成本与产品总产量之间的相关关系就是一种非线性关系。第八页，共八十七页，2022年，8月28日偏相关

在某一现象与多种现象相关的场合，当假定其他变量不变时，其中两个变量的相关关系称为偏相关。第九页，共八十七页，2022年，8月28日种类3直线相关按相关方向划分

正相关：当一个现象的数量由小变大，另一个现象的数量也相应由小变大，这种相关称为正相关。如工人的工资随劳动生产率的提高而增加。

负相关：当一个现象的数量由小变大，而另一个现象的数量相反地由大变小，这种相关称为负相关。如商品流转的规模越大，流通费用水平则越低。第十页，共八十七页，2022年，8月28日正相关

强正相关弱正相关第十一页，共八十七页，2022年，8月28日负相关

强负相关弱负相关第十二页，共八十七页，2022年，8月28日种类4按相关程度划分

完全相关：当一种现象的数量变化完全由另一个现象的数量变化所确定时，这两种现象间的关系为完全相关。即函数关系。不完全相关：两个现象之间的关系介于完全相关和不相关之间，称为不完全相关。

不相关：当两个现象彼此互不影响，其数量变化各自独立时，称为不相关。如：股票价格的高低与气温的高低是不相关的。第十三页，共八十七页，2022年，8月28日完全相关第十四页，共八十七页，2022年，8月28日不相关第十五页，共八十七页，2022年，8月28日种类5按相关性质划分真实相关：当两种现象之间的相关确实具有内在的联系时，称之为“真实相关”。虚假相关：当两种现象之间的相关只是表面存在，实质上并没有内在的联系时，称之为“虚假相关”。第十六页，共八十七页，2022年，8月28日相关图3

曲线相关不相关第十七页，共八十七页，2022年，8月28日相关分析与回归分析相关分析就是用一个指标来表明现象间相互依存关系的密切程度。回归分析就是根据相关关系的具体形态，选择一个合适的数学模型，来近似地表达变量间的平均变化关系。区别第十八页，共八十七页，2022年，8月28日区别①相关分析所研究的变量是对等关系；回归分析所研究的两个变量不是对等关系。②对两个变量来说，相关分析只能计算出一个相关系数，而回归分析，可分别建立两个不同的回归方程。③相关分析要求两个变量都必须是随机的，而回归分析的要求，自变量是给定的，因变量是随机的。第十九页，共八十七页，2022年，8月28日直线相关系数

在统计研究中，对现象间相关关系的密切程度可用统计指标来测定，用相关系数r或相关指数R来确定。对直线相关来说，可用r或R的数值表示相关的程度；而对于曲线相关来说，只能用相关指数R来衡量其相关程度。第二十页，共八十七页，2022年，8月28日计算公式例题第二十一页，共八十七页，2022年，8月28日相关系数的解释极端值一般值注意事项第二十二页，共八十七页，2022年，8月28日极端值第二十三页，共八十七页，2022年，8月28日一般值第二十四页，共八十七页，2022年，8月28日注意事项①r值很小，说明X与Y之间没有线性相关关系，但并不意味着X与Y之间没有其它关系，如很强的非线性关系。②直线相关系数一般只适用与测定变量间的线性相关关系，若要衡量非线性相关时，一般应采用相关指数R。第二十五页，共八十七页，2022年，8月28日

回归分析预测就是通过对观察数据的统计分析和处理来研究与确定事物间相互关系和联系形式的一种方法。是确定变量之间函数关系的一种有利的工具。13.2回归分析预测法概述第二十六页，共八十七页，2022年，8月28日回归预测分类：

一元线性回归线性回归二元线性回归回归预测多元线性回归非线性回归第二十七页，共八十七页，2022年，8月28日回归预测的一般程序：确立相关因素

这是回归分析的基础，只有当各因素存在相关关系时，才可用回归分析进行预测。建立数学模型

根据已知的数据资料，找出变量之间相关关系的类型，并选择与其最为吻合的数学模型。检验和评价数学模型

用数理统计方法检验数学模型，并测量其误差大小和精确程度。运用模型进行预测

数学模型经检验后如果正确，即可用来进行预测和控制了。第二十八页，共八十七页，2022年，8月28日13.3一元线性回归一元线性回归预测的方程其中：——

是自变量；

——

是因变量；

——

回归系数；———回归系数。第二十九页，共八十七页，2022年，8月28日最小二乘法求解回归系数：最小二乘法就是从过去若干期实际资料中，找到一条有倾向性的趋势直线——回归直线，使回归直线到实际资料各点间的距离平方和最短，即偏差的自乘之和最小。用最小二乘法所找出的倾向性回归直线，最能代表实际资料的变动趋势，因而可作为预测之用。标准化方程组为：

第三十页，共八十七页，2022年，8月28日最小二乘法求解回归系数：解得回归系数：一元线性回归模型为：回归模型中的系数b，反映了x变化一个单位对y的影响程度。即反映了影响因素x对预测对象y的影响大小和方向。

第三十一页，共八十七页，2022年，8月28日统计检验：相关系数R：

R取值范围为-1≤

R

≤+1当

R=+1时，y与x是完全正相关；当

R=-1时，y与x是完全负相关；当

R=0时，y与x是完全不相关；当|R|＞0.7时，叫强相关；

|R|

＜0.3时叫弱相关。第三十二页，共八十七页，2022年，8月28日置信区间：回归预测有两个内容：一个是现有数据的规律化，即计算回归系数；另一个是对规律化了的数学模型进行置信估计。一般取置信度为95.45%，这时的预测区间为：

第三十三页，共八十七页，2022年，8月28日当影响因素为时间时：即时间因素与预测对象有线性相关关系，对于时间序列一元线性回归模型的回归系数的计算，可通过适当选择期数的标号，使得∑t=0，这样可使回归系数的计算简化。对期数为奇数的时间序列，可令中间一期为第0期，两边分别为±1，±2，±3，…；而对偶数期的时间序列，令中间两期分别为±1，其它各期分别为±3，±5，…；这样就使得∑t=0，简化后的计算公式为：

第三十四页，共八十七页，2022年，8月28日例题：某地区人均收入与耐用消费品销售情况如下表示，请根据人均收入的变化来预测耐用品的销售额。

年份序号人均月收入xi（百元）销售总额yi（十万元）（十万元）计算栏xiyixi2yi2199611.54.87.202.2523.044.65199721.85.710.263.2432.495.53199832.47.016.805.7649.007.29199943.08.324.909.0068.899.05200053.510.938.1512.25118.8110.51200163.912.448.3615.21153.7611.69200274.413.157.6419.36171.6113.15200384.813.665.2823.04184.9614.32200495.015.376.5025.00234.0914.91Σ--30.391.1345.09115.111036.6591.10第三十五页，共八十七页，2022年，8月28日例题：根据预测目标很容易知道年销售额为因变量，所求得的一元线性回归预测方程为：

第三十六页，共八十七页，2022年，8月28日例题：相关系数：

说明X与Y有很强的正相关关系，可以预测。

第三十七页，共八十七页，2022年，8月28日例题：预测2005年当人均收入为560元时，该耐用消费品销售额的预测值为：所以预测区间为：16.67±2×0.78即预测值在(15.11，18.23)范围内的概率为95.45%

第三十八页，共八十七页，2022年，8月28日例题二：已知某企业1998~2004年逐年的销售额，试用时间序列一元线性回归预测法预测2005年和2006年的销售额。单位：万元

年份1998-335009-105001225000030002500001999-240004-80001600000035002500002000-125001-250062500004000225000020010500000250000004500250000200214500145002025000050002500002003255004110003025000055000200436500919500422500006000250000Σ0315002814000152250000315003500000第三十九页，共八十七页，2022年，8月28日例题二：

预测模型为：相关系数：

第四十页，共八十七页，2022年，8月28日例题二：应用预测模型预测2005年、2006年的销售额置信区间分别为：6500±2×837；7000±2×837。

第四十一页，共八十七页，2022年，8月28日

如果所要预测的经济变量的变化是几个重要因素共同作用的结果，这时就需要选取几个自变量来建立回归方程，这就是多元回归问题。13.4多元线性回归第四十二页，共八十七页，2022年，8月28日二元线性回归：如果总体中因变量y与x1和x2两个自变量在统计意义上有相关关系，且为线性关系，则预测公式为：其中回归系数也可由最小二乘法确定，其正规方程为：

第四十三页，共八十七页，2022年，8月28日二元线性回归：标准离差为：

复相关系数为：

第四十四页，共八十七页，2022年，8月28日例题：

设某国每年小麦出口量的增长率y和该年小麦产量的增长率x1及出口税率x2有线性关系，其1995~2004年的样本数据如表，求样本的回归方程并预测2005年的小麦出口增长率。

年份199542582010425162.5492.105491996912918214819.7630.5824199712516012525114413.552.40311998168112816864125614.5072.229251999101431403042196910011.3991.957120005743520284916256.6552.739362001181622883632256432414.54811.916492002142022802840400419615.8243.32792003121231443636144914410.7611.535120041019419040763611610010.4830.2331Σ1101042712822562791500891386110.03929.026176第四十五页，共八十七页，2022年，8月28日例题：

将数据代入正规方程得：

解这三个方程式得：

第四十六页，共八十七页，2022年，8月28日例题：

回归预测方程为：就说明了随着小麦产量增长率的提高，小麦出口量的增长率也提高，而随着出口税率的提高，小麦出口量的增长率是下降的。

第四十七页，共八十七页，2022年，8月28日例题：

预测当2005年产量增长率出口税率时，出口增长率为：

置信区间：

第四十八页，共八十七页，2022年，8月28日多元线性回归：同样的方法，可以得出m个自变量的回归预测模型为：

其中：参数由下列正规方程组解得：

第四十九页，共八十七页，2022年，8月28日多元线性回归：标准离差：

复相关系数：

第五十页，共八十七页，2022年，8月28日

当因变量和自变量间的关系不是线性模型，而是曲线型时，通常采用变量代换法将非线性模式线性化，然后再按照线性模式的方法处理。13.5非线性回归预测法第五十一页，共八十七页，2022年，8月28日可化为线性回归的非线性回归模型的形式：双曲线：方程：作变量代换：变换后的线性方程：

第五十二页，共八十七页，2022年，8月28日可化为线性回归的非线性回归模型的形式：幂函数曲线：方程：作变量代换：变换后的线性方程：

第五十三页，共八十七页，2022年，8月28日可化为线性回归的非线性回归模型的形式：对数曲线：方程：作变量代换：变换后的线性方程：

第五十四页，共八十七页，2022年，8月28日可化为线性回归的非线性回归模型的形式：指数曲线：方程：取对数：作变量代换：变换后的线性方程：

第五十五页，共八十七页，2022年，8月28日可化为线性回归的非线性回归模型的形式：倒指数曲线：方程：取对数：作变量代换：变换后的线性方程：

第五十六页，共八十七页，2022年，8月28日可化为线性回归的非线性回归模型的形式：S型曲线：方程：取倒数：作变量代换：变换后的线性方程：

第五十七页，共八十七页，2022年，8月28日例题一：

某商店各个时期的商品流通费用水平和商品零售额呈双曲函数模型，预测下期如果商品零售额为28万元时的流通费水平为多少？

商品零售额（万元）商品流通费水平（%）9.56.00.1050.011030.6311.54.60.0870.007560.4013.54.00.0740.005490.3015.53.20.0650.004160.2117.52.80.0570.003270.1619.52.50.0510.002630.1321.52.40.0470.002160.1123.52.30.0430.001810.1025.52.20.0390.001540.0927.52.10.0360.001320.08Σ32.10.6040.040972.21第五十八页，共八十七页，2022年，8月28日双曲线预测模型：作变量代换：变换后的线性方程：

第五十九页，共八十七页，2022年，8月28日例题一：

所以：

当商品零售额为28万元时，流通费水平为：

第六十页，共八十七页，2022年，8月28日例题二：

某厂产品产量与成本相关资料如下表，若该厂10月份的产量为13吨，则预计其成本将会达到什么水平。

月份产量（吨）成本（元/吨）110.00545.60100.002.73697.490627.369210.25525.20105.062.72037.400027.883310.50521.56110.252.71737.383728.532410.75505.20115.562.70357.308929.063511.00498.49121.002.69777.277629.675611.25484.20126.562.68507.209230.206711.50476.22132.252.67787.170630.795811.75461.20138.062.66397.096431.301912.00451.71144.002.65497.048531.859Σ99--1092.724.257365.386266.68第六十一页，共八十七页，2022年，8月28日例题：

从表中可以看出，该厂产量是逐月上升的，而成本是逐月下降的，产量与成本之间是负相关关系，但成本降低的程度并不是随着产量的增加而均匀地变化的。逐期的产量是按等差（0.25）增加的，但成本是按等比（0.9）下降的。因此，该回归模型不能采用一元线性回归模型，而应选择指数模型。

第六十二页，共八十七页，2022年，8月28日例题：

第六十三页，共八十七页，2022年，8月28日例题：

第六十四页，共八十七页，2022年，8月28日例题：

如果建立一元线性回归模型则预测方程为：

由此可见，在该例中用线性回归的效果远不如指数曲线回归效果好。线性回归对该问题不是合理的模型。

若该厂10月份产量为13吨，则可求得成本的预测值为：第六十五页，共八十七页，2022年，8月28日

对于呈现有规律的季节变化的经济活动，用季节指数去修正其他预测方法得出的预测结果，使其更符合事物发展的客观规律。13.6季节指数调整法第六十六页，共八十七页，2022年，8月28日简单季节指数法：

是反映季节变化对销售量影响的一种简便方法，其实质就是计算各个季节的不同销售指数。收集历年按季度（或月份）记录的历史统计资料；计算出n年各相同季度的平均值Ai；计算出n年每一个季度的平均值B

；计算季节指数，Ci=Ai/B；利用季节指数，对预测值进行修正：yt=（a+bT）Cii=1，2，3，4

第六十七页，共八十七页，2022年，8月28日例题：

某公司从1999年~2004年，每一年各季度的纺织品销售量见下表，试预测2005年各季度纺织品的销售量。

年份第一季度第二季度第三季度第四季度年销售量Σ1999180-23150-21120-19150-176002000210-15160-13130-11160-96602001230-7170-5130-31701180+3140+5180+77502003300+9200+11150+13200+158502004400+17220+19160+21220+231000Σ1570108083010804560平均值Ai262180138180B=190季节指数Ci1.380.950.730.95--

某公司从1999年~2004年，每一年各季度的纺织品销售量见下表，试预测2005年各季度纺织品的销售量。

年份第一季度第二季度第三季度第四季度年销售量Σ1999180-23150-21120-19150-176002000210-15160-13130-11160-96602001230-7170-5130-31701180+3140+5180+77502003300+9200+11150+13200+158502004400+17220+19160+21220+231000Σ1570108083010804560平均值Ai262180138180B=190季节指数Ci1.380.950.730.95--第六十八页，共八十七页，2022年，8月28日例题：六年各相同季节的平均销售量（Ai）；六年所有季度的平均销售量（B）；

第六十九页，共八十七页，2022年，8月28日例题：

各季的季节销售指数（Ci）；建立时间序列线性回归预测模型；

各季的季节销售指数（Ci）；建立时间序列线性回归预测模型；

第七十页，共八十七页，2022年，8月28日例题：

修正2005年各季度的预测值第一季度预测值：第二季度预测值：第三季度预测值：第四季度预测值：

第七十一页，共八十七页，2022年，8月28日例题二：月年123456789101112合计200251607060504040305050406060120035565755555454035556050656552004706480664851453865685570720合计1761892251811531361251031701781451951976Ai58.7637560.35145.341.734.356.759.348.365B=54.9Ci1.071.151.371.100.930.830.760.621.031.080.841.18--

修正后的预测值：2005年1月预测值：2005年8月预测值：

第七十二页，共八十七页，2022年，8月28日成功的市场预测范例

在20世纪60年代以前，“日本制造”往往是“质量差的劣等货”的代名词，此间首次进军美国市场的丰田车，同样难逃美国人的冷眼。丰田公司不得不卧薪尝胆，重新制定市场规划，投入大量人力和资金，有组织地收集市场信息，然后通过市场细分和对消费者行为的深入研究，去捕捉打入市场的机会。其具体策略有二：一是钻对手的空子。要进入几乎是“通用”、“福特”独霸的美国汽车市场，对初出茅庐的丰田公司来说，无疑是以卵击石。但通过调查，丰田发现美国的汽车市场并不是铁板一块。随着经济的发展和国民生活水平的提高，美国人的消费观念、消费方式正在发生变化。在汽车的消费上，已经摆脱了那种把车作为身份象征的旧意识，而是逐渐把它视为一种纯交通工具；许多移居郊外的案例分析三第七十三页，共八十七页，2022年，8月28日富裕家庭开始考虑购买第二辆车作为辅助；石油危机着实给千千万万个美国家庭上了一堂节能课，美国车的大马力并不能提高其本身的实用价值，再加上交通阻塞、停车困难，从而引发出对低价、节能车型的需求，而美国汽车业继续生产以往的高能耗、宽车体的豪华大型车，无形中给一些潜在的对手制造了机会。二是找对手的缺点。丰田定位于美国小型车市场。即便小型车市场也并非是没有对手的赛场，德国的大众牌小型车在美国就很畅销。丰田雇用美国的调查公司对大众牌汽车的用户进行了详细的调查，充分掌握了大众牌汽车的长处与缺点。除了车型满足消费者需求之外，大众牌高效、优质的服务网打消了美国人对外国车维修困难的疑虑；而暖气设备不好、后座空间小、内部装饰差是众多用户对大众车的抱怨。对手的“空子”就是自己的机会；对手的缺点就是自己的目标。于是，丰田把市场定位于生产适合美国人需要的小型车，以国民化汽车为目标，吸收其长处而克服其缺点，第七十四页，共八十七页，2022年，8月28日如按“美国车”进行改良的“光冠”小型车，性能比大众牌高两倍，车内装饰也高出一截，连美国人个子高、手臂长、需要的驾驶室大等因素都考虑进去了。

第七十五页，共八十七页，2022年，8月28日

失败的市场预测范例

麦肯锡是预测领域的一尊神，其成就举世瞩目。但2002年7月8日出版的美国《商业周刊》的调查，使众多客户对麦肯锡的信心降到了历史冰点。因为安然、瑞士航空、凯马特百货和环球电讯等一大批短期内相继破产的世界著名公司全是麦肯锡的客户。在中国麦肯锡也受到越来越多的质疑。2001年，关于“麦肯锡兵败实达”的讨论传得沸沸扬扬之后，麦肯锡在中国陷入了一场诚信危机中。早在1998年4月，一条爆炸性的消息在各大媒体和企业间传开：乐百氏花了1200万元请“洋顾问”麦肯锡作战略咨询。这个“天价”数字无疑大大刺激了人们的神经，更何况事件的两个主角都颇为引人注目，一个是国内饮料业著名企业，一个是国际咨询界独领风骚的“智囊”。于是，由此引发的新闻炒作热潮案例分析第七十六页，共八十七页，2022年，8月28日一直持续了相当长时间。这无疑是两个当事者所乐于看到的。乐百氏一向是一家善于使用传媒力量的企业，从1989年创办到1992年改名今日集团，再到1997年收购乐百氏商标成立乐百氏集团，其间公司运作了一系列商业策划活动，它的许多手法入选了哈佛教案。而麦肯锡1993年进入中国后，客户一直局限于外资公司，对本土客户的开拓一直不甚如意。1997年，麦肯锡决定加大本土客户的开拓力度。借助乐百氏案例宣传自己，对开拓本土客户无疑十分有利。此时的乐百氏正处于发展的颠峰。1997年，它的销售额增长速度达到了85.3%，乳酸奶连续几年全国市场占有率第一，纯净水居全国第二。在取得如此辉煌业绩的同时，何伯权、杨杰强等5位创业元老也在思考着乐百氏未来的利润增长点和发展方向。他们想到了茶饮料和碳酸饮料，尤其是碳酸饮料项目。何伯权甚至连产品的名字都已经想好了，叫“今日可乐”（乐百氏集团曾名今日集团）。何伯权后来说，他对“今日可乐”这个名字相当满意。但是，鉴于可口可乐与百事可乐在全球碳酸第七十七页，共八十七页，2022年，8月28日饮料的强大地位乐百氏的决策者们对是否上这个可乐项目有些犹豫不决。就在这时，何伯权他们与正想大力开拓本土客户的麦肯锡相遇。双方很快达成了合作协议，由麦肯锡来为乐百氏作战略咨询和发展规划。麦肯锡派出4名专家入驻乐百氏，前后历时4个月，最后拿出了一份简言，麦肯锡在经过“深入的调查研究”，在“借鉴国际国内先进经验”的基础上，建议乐百氏做“中国非碳酸饮料市场的领导者”，不要进入碳酸饮料领域。于是，“今日可乐”胎死腹中。乐百氏转而进入了“非碳酸饮料”的茶饮料。与此相反，乐百氏的老竞争对手娃哈哈在1998年进入了碳酸饮料领域，推出了娃哈哈“非常可乐”。非常可乐避开了“两乐”非常强势的城市市场，转而致力于广大农村市场的开拓，并采用了与之相对应的低价策略，从而取得了巨大的成功。根据中国饮料协会最新的统计数据，娃哈哈非常可乐的年产销量已超过60万吨（来自娃哈哈集团的数据是，2002年第一个月非常第七十八页，共八十七页，2022年，8月28日可乐就创造了61%的增长率）。在碳酸饮料市场，非常可乐已经形成同“两乐”三分天下之势，也已经成为娃哈哈的支柱产品以及主要利润来源。而乐百氏的茶饮料却并没有如期一炮打响。何伯权后来曾对人说，没有上今日可乐成为他“最懊悔的一件事”。1998年也成为乐百氏发展上的转折点。这一年，乐百氏的增长速度从前一年的85.3%大幅下滑到33.3%，并且从此一蹶不振。

思考：请分析麦肯锡咨询公司在这项业务中失利的主要原因是什么？假如你处在何伯权的位置上，将有什么举措？第七十九页，共八十七页，2022年，8月28日康泰克的代价

康泰克是中美天津史克公司于1989年推出的一种治疗感冒的药物，通过这些年广泛的宣传，已家喻户晓，成为广大消费者治疗感冒的第一选择。“当你打第一个喷嚏时，康泰克12小时持续效应”的广告已成为广告界的佳话。11年间康泰克在市场的累计销量已经超过50亿粒（截止到2000年底），年销售额高达6亿元，在感冒药市场中占据较高的市场份额。但是2000年10月份国家药品监督管理局（SDA）颁布禁止销售含有PPA（苯丙醇胺）的药物通告，不仅让使用过该药的患者感到担心和失望，对中美天津史克公司更是当头一棒，面临着销售额、利润下降等多方面的沉重打击。据2001年9月6日的《市场报》报道，在康泰克退出市场不到一年的时间里，中美史克公司的直接经济损失高达6亿元。案例分析第八十页，共八十七页，2022年，8月28日与此同时，其他竞争者迅速进入感冒药市场，瓜分康泰克退出的市场。作为国内外闻名的医药生产者，中美天津史克公司难道从未想到过会有这一天吗？其实早在3年前，美国食品药品监督局（FDA）就委托哈佛大学某药物研究所对PPA所造成的副反应进行跟踪及研究。对于这一信息，美国史克公司总部不会不知道，中美史克公司也不会不晓得。但他们都没有考虑到此研究结果对康泰克将造成什么样的不利后果并积极准备补救措施，更没有及时研究市场的需求状况，及时开发不含PPA的替代产品，致使在该药禁止销售后，中美天津史克公司无法在短期内生产出不含PPA的康泰克。而在美国的一些生产含有PPA的厂家在得知哈佛某药物研究所正在对含有PPA的药物进行研究调查后，就迅速开始寻找替代品，掌握了药品市场的主动权。第八十一页，共八十七页，2022年，8月28日虽然在沉寂了292天之后，中美史克公司终于推出用PSA（盐酸伪麻黄碱）取代了PPA的“新康泰克”，但中断292天生产而造成的市场空隙已很难迅速填补，即使得以填补其代价也是相当惨重的。

这些问题的原因是什么？其