Отображение переменных
Для отображения зависимости переменных могут использоваться показательная, параболическая и многие другие функции. Однако в практической работе наибольшее распространение получили модели линейной взаимосвязи, т.е. когда факторы входят в модель линейно. Линейная модель множественной регрессии имеет вид:
Yi=a0 + a2хi2 + а2хi2 + ... + аmхm + εt.
Анализ данного уравнения и методика определения параметров становятся более наглядными, а расчётные процедуры существенно упрощаются, если воспользоваться матричной формой записи уравнения:
Y = Xα + ε. (н)
Здесь Y - вектор зависимой переменной размерности , представляющий собой п наблюдений значений у1, X - матрица независимых переменных, элементы которой суть п х т наблюдения значений т независимых переменных Х1, Х2, Х3, ..., Хm, размерность матрицы X равна ; α - подлежащий оцениванию вектор неизвестных параметров размерности ; ε - вектор случайных отклонений (возмущений) размерности . Таким образом,
, X= , .
Уравнение (н) содержит значение неизвестных параметров α1, α2, α3,..., αn. Эти величины оцениваются на основе выборочных наблюдений, поэтому полученные расчётные показатели не являются истинными, а представляют собой лишь их статистические оценки. Модель линейной регрессии, в которой вместо истинных значений параметров подставлены их оценки (а именно такие регрессии и применяются на практике), имеет вид
,
где а - вектор оценок параметров; е – вектор «оценённых» отклонений регрессии, остатки регрессии у = y-Xa; - оценка значений Y равная Xa.
Для оценивания неизвестного вектора параметров α воспользуемся методом наименьших квадратов. Формула для вычисления параметров регрессии уравнения имеет вид:
(н1)
Случай зависимости переменной Y от одного фактора X. Для этого подбирается уравнение:
.
Используя формулу (н1), можно получить следующее выражение для вычисления a1 и а0:
.
Отчет по результатам.
Модель для предсказания объема реализации одного из продуктов фирмы.
|
Объем реализации |
Время |
Реклама |
Цена |
Цена конкурента |
Индекс потребительских расходов |
Объем реализации |
1 |
|
|
|
|
|
Время |
0,07434 |
1 |
|
|
|
|
Реклама |
-0,1933 |
0,10646 |
1 |
|
|
|
Цена |
0,36959 |
0,17372 |
-0,0034 |
1 |
|
|
Цена конкурента |
0,15423 |
-0,051 |
0,20404 |
0,69775 |
1 |
|
Индекс потребительских расходов |
0,10146 |
0,9602 |
0,27337 |
0,23543 |
0,03078 |
1 |
Вывод: в данной модели показана согласованность между различными показателями. Чем значение ближе к единице, тем больше степень согласованности.
rx,y= = -0,82243
Вывод: Значение коэффициентов парной корреляции лежит в интервале от -1 до +1. Отрицательное значение коэффициента корреляции говорит о наличии обратной связи между переменными. Абсолютное значение коэффициента превышает 0,7, что говорит о сильной связи.
Регрессионная статистика |
|
Множественный R |
0,46345757 |
R-квадрат |
0,214792919 |
Нормированный R-квадрат |
-0,17781062 |
Стандартная ошибка |
42,92970463 |
Наблюдения |
16 |
Дисперсионный анализ |
|
|
|
|
|
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
5 |
5041,4046 |
1008,28092 |
0,547099 |
0,73769375 |
Остаток |
10 |
18429,5954 |
1842,95954 |
|
|
Итого |
15 |
23471 |
|
|
|
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% |
Y-пересечение |
-725,705566 |
1138,38626 |
-0,6374862 |
0,538129 |
-3262,18821 |
1810,777 |
-3262,19 |
1810,777 |
Время |
-6,66115356 |
10,6975375 |
-0,622681 |
0,54743 |
-30,49675243 |
17,17445 |
-30,4968 |
17,17445 |
Реклама |
-2,59219645 |
3,10115518 |
-0,8358809 |
0,422745 |
-9,50200075 |
4,317608 |
-9,502 |
4,317608 |
Цена |
14,10166054 |
16,2638049 |
0,8670579 |
0,406235 |
-22,13635479 |
50,33968 |
-22,1364 |
50,33968 |
Цена конкурента |
-3,97507642 |
14,852512 |
-0,2676366 |
0,794418 |
-37,06853542 |
29,11838 |
-37,0685 |
29,11838 |
Индекс потребительских расходов |
7,65087121 |
11,8789933 |
0,64406731 |
0,534025 |
-18,81717516 |
34,11892 |
-18,8172 |
34,11892 |
ВЫВОД ОСТАТКА |
|
|
|
|
|
|
|
Наблюдение |
Предсказанное Объем реализации |
Остатки |
Стандартные остатки |
1 |
172,9613787 |
28,0386213 |
0,799916 |
2 |
147,972219 |
12,027781 |
0,3431415 |
3 |
172,9539037 |
-67,953904 |
-1,9386622 |
4 |
177,8035353 |
-21,803535 |
-0,6220347 |
5 |
177,824018 |
58,175982 |
1,6597071 |
6 |
188,5627737 |
-8,5627737 |
-0,244288 |
7 |
192,8693054 |
-25,869305 |
-0,7380274 |
8 |
129,8271918 |
0,17280816 |
0,00493006 |
9 |
148,728914 |
-0,728914 |
-0,0207952 |
10 |
193,8786855 |
46,1213145 |
1,31579856 |
11 |
190,0316973 |
-34,031697 |
-0,9708929 |
12 |
185,4167475 |
50,5832525 |
1,44309353 |
13 |
157,56433 |
-1,56433 |
-0,0446289 |
14 |
183,217395 |
-43,217395 |
-1,2329524 |
15 |
180,4640981 |
20,5359019 |
0,58587034 |
16 |
171,9238071 |
-11,923807 |
-0,3401752 |