- •2. Уравнение нелинейной регрессии всегда дополняется показателем тесноты связи – индексом корреляции :
- •2. Уравнение нелинейной регрессии всегда дополняется показателем тесноты связи – индексом корреляции :
- •2. Уравнение нелинейной регрессии всегда дополняется показателем тесноты связи – индексом корреляции :
- •2. Уравнение нелинейной регрессии всегда дополняется показателем тесноты связи – индексом корреляции :
2. Уравнение нелинейной регрессии всегда дополняется показателем тесноты связи – индексом корреляции :
Данный индекс показывает, что связь существует, но она незначительная.
Квадрат индекса корреляции носит название индекса детерминации и характеризует долю дисперсии результативного признака , объясняемую регрессией, в общей дисперсии результативного признака:
,
где .
Соответственно величина характеризует долю дисперсии , вызванную влиянием остальных, не учтенных в модели, факторов.
Индекс детерминации , показывает, что уравнением регрессии объясняется 68,44% дисперсии результативного признака, а на долю прочих факторов приходится большая часть дисперсии результативного признака - 31,56%.
3. Коэффициент эластичности показывает, на сколько процентов измениться в среднем результат, если фактор изменится на 1%. Формула для расчета коэффициента эластичности имеет вид:
.
Так как коэффициент эластичности не является постоянной величиной, а зависит от соответствующего значения фактора , то обычно рассчитывается средний коэффициент эластичности:
.
Для исследуемой модели . Т.е. при увеличении заработной платы на 1% от её среднего значения потребительские расходы уменьшается на -0,9938 % от своего среднего значения.
4. Проверить значимость уравнения регрессии – значит установить, соответствует ли математическая модель, выражающая зависимость между переменными, экспериментальным данным и достаточно ли включенных в уравнение объясняющих переменных (одной или нескольких) для описания зависимой переменной.
Чтобы иметь общее суждение о качестве модели из относительных отклонений по каждому наблюдению, определяют среднюю ошибку аппроксимации:
. (8)
Средняя ошибка аппроксимации не должна превышать 8–10%.
Для нашей модели средняя ошибка аппроксимации составляет: , что недопустимо велико.
5. Оценка значимости уравнения регрессии в целом производится на основе -критерия Фишера. Величина -критерия связана с коэффициентом детерминации , и ее можно рассчитать по следующей формуле:
.
Табличное значение . Так как , то признается статистическая значимость уравнения в целом.
ВЫВОД:
Сравним построенные модели по индексу детерминации и средней ошибке аппроксимации:
Таблица 6
Модель |
Индекс детерминации, (, ) |
Средняя ошибка аппроксимации, , % |
Линейная модель, |
0,9648 |
10,13% |
Степенная модель, |
0,9649 |
12,39% |
Гиперболическа модель: |
0,6911 |
1,62% |
Полулогарифмическая модель, |
0,9023 |
0,10% |
Экспоненциальная модель: |
0,6844 |
30,83% |
Из рассмотренных моделей хорошо исходные данные аппроксимирует полулогарифмическая модель, и её ошибка аппроксимации не превышает допустимый уровень. Так что можно сделать вывод о том, что полулогарифмическая модель является приемлемой.