- •Федеральное агенство по образованию
- •1. Проанализируйте тесноту и направление связи между переменными, отберите факторы для регрессионного анализа.
- •2. Постройте модели множественной регрессии с выбранными факторами. Проверьте значимость параметров уравнения.
- •3. Постройте уравнение только со статистически значимыми факторами. Оцените его качество.
- •4. Оцените степень влияния включенных в модель факторов на независимую переменную при помощи коэффициентов эластичности, â и δ коэффициентов.
- •5.Определите точность модели.
3. Постройте уравнение только со статистически значимыми факторами. Оцените его качество.
Для построения модели множественной регрессии с использованием только статистически значимых факторов воспользуемся инструментом Регрессия в Excel, что представлено на рисунке 3.
Рисунок 3. Использование инструмента Регрессия для построения модели множественной регрессии только со значимыми факторами
Результаты регрессионного анализа представлены в таблицах 6-9.
Таблица 6. Регрессионная статистика
Множественный R |
0,949407 |
R-квадрат |
0,901373 |
Нормированный R-квадрат |
0,89198 |
Стандартная ошибка |
6,601003 |
Наблюдения |
24 |
Таблица 7. Дисперсионный анализ
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
2 |
8362,748 |
4181,374 |
95,96196 |
2,73E-11 |
Остаток |
21 |
915,0381 |
43,57324 |
|
|
Итого |
23 |
9277,786 |
|
|
|
Таблица 8. Вывод итогов
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% |
Y-пересечение |
3,394184 |
2,336543 |
1,452652 |
0,1611 |
-1,46492 |
8,253291 |
-1,46492 |
8,253291 |
X 1 |
0,494201 |
0,04137 |
11,9458 |
7,92E-11 |
0,408167 |
0,580236 |
0,408167 |
0,580236 |
X 4 |
-0,54833 |
0,20618 |
-2,65949 |
0,014667 |
-0,97711 |
-0,11956 |
-0,97711 |
-0,11956 |
Таблица 9. Вывод остатка
Наблюдение |
Предсказанное Y |
Остатки |
1 |
26,59641 |
9,603595 |
2 |
59,76516 |
-22,8652 |
3 |
14,86324 |
-1,16324 |
4 |
16,01833 |
-3,51833 |
5 |
11,75245 |
-0,45245 |
6 |
33,91744 |
3,282558 |
7 |
17,78945 |
2,010554 |
8 |
31,03546 |
-2,83546 |
9 |
9,457536 |
2,742464 |
10 |
40,57423 |
5,52577 |
11 |
38,4249 |
-2,9249 |
12 |
12,89288 |
-1,09288 |
13 |
23,11193 |
-1,81193 |
14 |
69,5134 |
-0,6134 |
15 |
32,93302 |
1,166981 |
16 |
73,30989 |
5,590109 |
17 |
21,35223 |
-2,75223 |
18 |
16,10254 |
-2,40254 |
19 |
46,14546 |
8,554537 |
20 |
50,59305 |
7,706951 |
21 |
13,01994 |
-1,21994 |
22 |
13,10551 |
-3,60551 |
23 |
10,88141 |
-2,38141 |
24 |
13,14413 |
3,455873 |
С учётом данных таблицы 8, получим следующее уравнение регрессии:
у = 0,494X1– 0,548X4 + 3,394
Поясним экономический смысл её параметров:
Коэффициент регрессии при переменной X1 показывает, что с ростом дохода на 1 ед., цена увеличивается в среднем на 0,494 ден. ед. при неизменном стаже работы.
Коэффициент регрессии при переменной Х4 показывает, что с ростом стажа работы на один год, цена автомобиля в среднем уменьшается на 0,548 ден. ед. при неизменном уровне дохода.
Параметр а показывает среднее отклонение фактических данных от теоретических.
Оценим качество полученного уравнения регрессии с использованием индекса корреляции R и коэффициента детерминации R2:
Индекс корреляции R = 0,949 – он показывает тесноту связи зависимой переменной Y с включёнными в модель объясняющими факторами. Следовательно связь между результатом У и факторами Х1 и Х4 достаточно сильная.
Коэффициент детерминации R2 = 0,901 - показывает долю вариации результативного признака под воздействием изучаемых факторов. Следовательно, около 90,1% вариации зависимой переменной учтено в модели и обусловлено влиянием включённых факторов.
.