- •1. Основные понятия и определения
- •2. Функциональные и стохастические связи
- •3. Статистические методы моделирования связи
- •4. Проверка адекватности регрессионной модели
- •5. Экономическая интерпретация параметров регрессии
- •6. Многофакторный корреляционный и регрессионный анализ
- •7. Парные коэффициенты корреляции
- •8. Частные коэффициенты корреляции
- •9. Совокупный коэффициент множественной корреляции
- •10. Экономическая интерпретация многофакторной регрессионной модели
- •11. Непараметрические методы
4. Проверка адекватности регрессионной модели
Для этого определяется значимость коэффициентов простой линейной регрессии (для совокупности в которой n 30).
Значимость определяется с помощью t-критерия Стьюдента:
Где – среднеквадратическое отклонение результативного признака от выровненного значения;
- среднеквадратическое отклонение факторного признака от общей средней;
n- объем выборки.
Вычисление значения сравниваются с табличными значениями, причем будут значимыми если выполняется соотношение > .
Поверка адекватности модели может быть выявлена с помощью корреляционного анализа. Для этого определяется теснота взаимосвязи с помощью эмпирического корреляционного отношения:
Кроме того, тесноту связи можно определить с помощью линейного коэффициента корреляции:
Для малой выборки n можно использовать:
Чем ближе коэффициент корреляции к 1, тем теснее связь.
При коэффициенте корреляции r = связь является функциональной.
При связь обратная.
При r=0, то линейная связь отсутствует.
Для оценки значимости коэффициента корреляции r используется t-критерий Стьюдента:
Где n-2 - число степеней свободы при вероятности и n числе выборки.
Полученное значение сравнивается с табличным.
Если , то данный коэффициент корреляции считается значимым.
5. Экономическая интерпретация параметров регрессии
Для интерпретации коэффициента а1 используется коэффициент эластичности. Он показывает среднее изменение результативного признака при изменении факторного признака на 1 процент и вычисляется по формуле:
Кроме того, вычисляются остатки характеризующие отклонение i-ых наблюдений от значений, которых следуют ожидать в среднем.
6. Многофакторный корреляционный и регрессионный анализ
Многофакторный корреляционный и регрессионный анализ позволяет оценить меру влияния на исследуемый результативный показатель каждого включенного в модель фактора при фиксированном положении остальных факторов, а также при любых возможных сочетаниях факторов с определенной степенью точности найти теоретическое значение этого показателя.
Задачей корреляционно – регрессионного анализа является построение уравнения множественной регрессии и нахождения его неизвестных параметров (a0,a1), которые находятся методом наименьших квадратов.
Пример: построение и статистический анализ двухфакторной линейной модели.
Для нахождения коэффициентов строится система уравнений:
7. Парные коэффициенты корреляции
Они применяются для измерения тесноты связи между двумя из рассматриваемых переменных. Их можно рассчитать по формулам:
8. Частные коэффициенты корреляции
На практике все переменные, как правило, взаимосвязаны. Теснота этой связи определяется частными коэффициентами корреляции, которые характеризуют степень и влияние одного из аргументов на функцию при условии, что остальные, независимые переменные, закреплены на постоянном уровне.
Коэффициенты частной корреляции могут быть различных порядков: 1-го порядка – между признаками x1, y1, при исключении влияния признака х2.
На основании парных коэффициентов корреляции и среднеквадратических отклонений можно выделить коэффициенты уравнения регрессии: