成本动因对总成本影响的基本模型胡琴（会计）205120201050经理人在进行市场、产品和经营方针决策的同时，为了使公司盈利，必需注意成本问题。
因为成本方面的决策通常需要持续和详细了解公司结构和管理当局的竞争战略。
通常情况下，经理人都依靠特定的成本分析来帮助公司盈利。
即使是在同一个竞争行业，但是，对于每一家企业都可以利用差别化竞争战略在不同的细分市场上经营。
然而，它们具有一个共同的主题，即对成本习性的详细了解是成功的关键。
成本习性研究的就是成本如何随着作业成本动因的变化而变化。
习惯上，成本习性分析更多地采用产品或服务地件数（单位）来作为驱动成本的作业。
当包含多种产品或服务时，其计量单位很多时候就会按照销售额重新计算。
尽管成本可能有无数种方式响应作业成本动因变动，但是在开始时，我将其分成了三类，分别是：1．变动成本：它表示了每作业单位增量的同比成本增量。
一般经济意义上来讲，其符号时为非负的。
即是变动成本是以每作业单位的恒定金额而增加，当作业量为零时，变动成本为零。
2．固定成本：它与单项作业无关。
所以，代表总固定成本的那根直线是斜率为零的水平线。
3．混合成本：它包含一个固定成本和一个变动成本元素。
当作业成量为零时，总混合成本是正的；当作业量增长时，总混合成本以直线方式增长。
这里要说明一点，那就是时间也是影响成本习性模式的一因素。
因为，如果时间足够长，那么以前被划分为固定成本的成本可能会划分到变动成本。
所以，为了简便起见，这里我假设模型针对的是短期规划。
以下是我引入的Central City健康诊所的数据。
1这里，这家诊所把其服务归类为X1至X4四个程序。
这家企业用以下每程序套餐比率来提供服务：X1 45X2 90X3 60X4 105所以，建立起的模型为：Y=45 X1+90 X2+60 X3+105 X41数据来源于《管理会计》2005.4 韦恩·J·莫尔斯、詹姆斯·R·戴维斯、阿尔·L·哈特格雷福斯著张鸣主翻译这个模型是否合理？下面就用前12个月的数据对它进行说明。
如图：总成本x1 x2 x3x 423000 30 100 205 7525000 38 120 180 9027000 50 80 140 15019000 20 90 120 10020000 67 50 160 8027000 90 75 210 10525000 20 110 190 11021500 15 120 175 8026000 60 85 125 14022000 20 90 100 14022800 20 70 150 13026500 72 60 200 120按照上诉的理论，我可以建立模型：Y=β0 +β 1 X1 +β 2 X2 +β 3 X3 +β 4 X4 +μ一、模型估计由OLS法得：Dependent Variable: YMethod: Least SquaresDate: 12/14/05 Time: 01:18Sample(adjusted): 1901:01 1901:12Included observations: 12 after adjusting endpoints Variable CoefficientStd. Error t-Statistic Prob.C -3429.0191776.112 -1.930632 0.0948X1 59.43339 9.654300 6.156158 0.0005X2 63.69715 10.03554 6.347154 0.0004X3 50.55085 6.309836 8.011436 0.0001X4 98.79072 7.856068 12.57508 0.0000 R-squared 0.976491 Mean dependent 23733.3var 3Adjusted R-squared 0.963058 S.D. dependentvar2748.333S.E. of regression 528.2411 Akaike infocriterion 15.67132Sum squared resid 1953271. Schwarz criterion 15.87336Log likelihood -89.02792 F-statistic 72.6901Durbin-Watson stat 1.900962 Prob(F-statistic) 0.000009估计模型如下：Y=-3429.019+59.43339 X1+63.69715 X2+50.55085 X3+98.79072 X4(-1.930632)(6.156158) (6.347154) (8.011436) (12.57508)R2 =0.976491 2R=0.963058 F=72.690101.拟合优度检验：R2 =0.976491 而2R=0.963058可决系数和修正可决系数都大于0.9，说明模型随数据的拟合程度较好。
2.T检验:给定α=0.05︱t0︱≦tα/2(7) = 2.365 ，接受H0，说明该解释变量对总成本Y的影响不显著。
︱t1︱≧tα/2(8) = 2.365 ︱t2︱≧tα/2(8) = 2.365︱t3︱≧tα/2(8) = 2.365 ︱t4︱≧tα/2(8) = 2.365 拒绝H0，说明X1，X2，X3，X4对Y的影响是显著的。
表明，这4个变量是影响Y的主要因素。
3.F检验：给定α=0.05可以看出F统计量的值为：72.69010，查表)7,4(05.0F＝4.1272.69010﹥)7,4(05.0F＝4.12，F检验显著，说明整体拟合效果较好。
终合两个检验，从回归结果来看，尽管可决系数R2 很高，F值很大，但是在显著性水平α＝0.05下，截距项与总成本不显著。
并且，由于其表现出来的经济意义也不符合现实，所以，应踢出不显著的常数项。
那么，得如下回归结果：Y=59.43339 X1+63.69715 X2+50.55085 X3+98.79072 X44.多重共线性分析由于用时间序列数据建立回归估计模型时，根据研究的具体问题，选择的解释变量往往在随时间变化的过程中，存在共同变化的趋势，而且在建模过程中，由于认识的局限，造成变量选择不当，都容易引起变量之间的多重共线性。
不完全多重共线性会导致参数的区间估计失去意义，然而解释变量之间的多重共线性是难以避免的，我们追求的是多重共线性程度的尽可能减弱。
相关系数矩阵法：X1 X2 X3 X4 X1 1.000000 -0.619251 0.351734 0.082839X2 -0.619251 1.000000 0.091275 -0.285754X3 0.351734 0.091275 1.000000 -0.551340X4 0.082839 -0.285754 -0.551340 1.000000从表中可以看出，X1与X2, X3与X4存在着线形相关，但是是不十分明显的。
所以，不用对其进行修正。
5．异方差性检验用时间序列建立模型时，样本数据的观测误差常常随时间的推移而逐步积累，从而会引起随机误差项的方差增加。
另一方面，由于时间推移，样本观测技术随之提高，也可能使样本观测误差减少，从而引起随机误差的方差减少。
这些都可能造成随机误差项呈现异方差性，所以应对模型进行检验。
①图示法：-1000-500500100020406080100X1② ARCH 检验： ARCH Test: F-statistic 0.212923 Probability 0.883473Obs*R-squared1.019533 Probability0.796526Test Equation:Dependent Variable: RESID^2 Method: Least Squares Date: 12/15/05 Time: 00:30 Sample(adjusted): 1901:04 1901:12Included observations: 9 after adjusting endpointsVariableCoefficie ntStd. Error t-StatisticProb.C 77997.98 173225.8 0.450268 0.6714 RESID^2(-1) -0.2038380.462390 -0.440836 0.6777RESID^2(-2) 0.243897 0.484299 0.503608 0.6359 RESID^2(-3)0.210636 0.470863 0.447339 0.6733R-squared 0.113281 Mean dependentvar 132694.5Adjusted R-squared -0.41875S.D. dependentvar138581.3S.E. of regression 165065.9 Akaike infocriterion 27.16718Sum squared resid 1.36E+11Schwarz criterion 27.25483Log likelihood -118.2523 F-statistic 0.212923Durbin-Watson stat 2.148068 Prob(F-statistic) 0.883473（n-p）* R=（12－3）×0.113281=1.019529 < Χ0.052（3）＝7.81473所以,拒绝H0。
同样说明,模型中随机误差项不存在异方差。
③WHITE检验：White Heteroskedasticity Test:F-statistic 0.954106 Probability 0.577321Obs*R-squared 8.614266 Probability 0.375873Test Equation:Dependent Variable: RESID^2Method: Least SquaresDate: 12/15/05 Time: 00:38Sample: 1901:01 1901:12Included observations: 12Variable CoefficientStd. Error t-Statistic Prob.C -490524.72290142. -0.214190 0.8441X1 -2780.35110646.29 -0.261157 0.8109X1^2 76.47492 109.6434 0.697487 0.5357 X2 29809.36 23497.60 1.268613 0.2941 X2^2 -148.7189134.1852 -1.108311 0.3486X3 965.3944 16169.76 0.059704 0.9561 X3^2 -4.89603751.31037 -0.095420 0.9300 X4 -13075.1820857.06 -0.626895 0.5752 X4^2 47.63118 95.81891 0.497096 0.6533R-squared 0.717856 Mean dependentvar 162772.5Adjusted R-squared -0.03453S.D. dependentvar130982.9S.E. of regression 133225.2 Akaike infocriterion 26.55117Sum squared resid 5.32E+1Schwarz criterion 26.91485Log likelihood -150.3070 F-statistic 0.954106Durbin-Watson stat 1.438963 Prob(F-statistic) 0.577321n* R=12×0.717856＝8.614272<Χ0.052(9)＝16.919同样说明模型中随机误差项不存在异方差。