- •Московский государственный университет
- •Оглавление
- •Введение
- •Подготовка данных и подключение необходимых модулей
- •2. Корреляционный анализ экономических показателей
- •2.1. Построение матрицы парных коэффициентов корреляции
- •Элементы диалогового окна «Корреляция»
- •Входной диапазон (Input range)
- •Группирование (Grouped By)
- •3. Метки в первой строке/Метки в первом столбце (Labels in first row/column)
- •4. Выходной диапазон (Output Range)
- •Расчёт частных коэффициентов корреляции. Сравнение частных и парных коэффициентов корреляции
- •Регрессионный анализ экономических показателей
- •3.1. Проверка исходных данных на мультиколлинеарность
- •3.2. Построение регрессионной модели и её интерпретация
- •1. Входной интервал y (Input y Range)
- •6. Выходной диапазон
- •II этап регрессионного анализа.
- •Аналогичные расчёты проводятся и для любого другого заданного уровня надёжности γ. Интерпретация результатов
- •3.3. Сравнение исходных данных с рассчитанными по уравнению регрессии
- •Индивидуальные задания для самостоятельной работы
- •Нормальный закон распределения
- •Р а с п р е д е л е н и е с т ь ю д е н т а (t-распределение)
- •Р а с п р е д е л е н и е ф и ш е р а - с н е д е к о р а (f-распределение)
- •Приложение 3 статистические и математические функции excel, использованные в работе
- •Статистические функции
- •Математические функции
- •Литература
Регрессионный анализ экономических показателей
После того как с помощью корреляционного анализа выявлено наличие статистически значимых связей между переменными и оценена степень их тесноты, обычно переходят к математическому описанию конкретного вида зависимостей с использованием регрессионного анализа. С этой целью подбирают класс функций, связывающий результативный показатель Y и аргументы X1, X2, X3 ,... Xk, отбирают наиболее информативные аргументы, вычисляют оценки неизвестных значений параметров уравнения связи и анализируют точность полученного уравнения.
Наиболее часто используется множественная линейная модель регрессионного анализа, уравнение которой имеет вид:
для всех i=1,2,…n, или в матричной форме:
,
где
Исследуем на основе линейной регрессионной модели зависимость рентабельности (Y) от оборачиваемости ненормируемых оборотных средств (X1), фондоотдачи (X2), фондовооруженности труда (X3) и оборачиваемости нормируемых оборотных средств (X4).
3.1. Проверка исходных данных на мультиколлинеарность
Одним из основных препятствий эффективного применения множественного регрессионного анализа является мультиколлинеарность. Она возникает в случаях существования достаточно тесных линейных статистических связей между объясняющими переменными X1, X2, X3 ,... Xk. В результате мультиколлинеарности матрица парных коэффициентов корреляции становится слабообусловленной, близкой к вырожденной.
Точных количественных критериев для определения наличия или отсутствия мультиколлинеарности не существует. Однако существуют некоторые рекомендации по выявлению этого негативного явления, на которые следует обратить внимание. На практике о наличии мультиколлинеарности обычно судят по матрице парных коэффициентов корреляции. Если один из элементов матрицы R больше 0,8 , т.е. | rij | > 0,8 , то считают, что имеет место мультиколлинеарность и в уравнение регрессии следует включать только один из показателей Xi или Xj (как правило, тот, который имеет наибольшую связь с Y).
Прежде, чем переходить к построению регрессионной модели, необходимо проверить объясняющие переменные на наличие мультиколлинеарности. Для этого рассмотрим матрицу парных коэффициентов корреляции между факторными признаками Xi.
Таблица 11
Матрица парных коэффициентов корреляции факторных признаков
|
X1 |
X2 |
X3 |
X4 |
X1 |
1 |
0,198409 |
-0,233376 |
0,021751 |
X2 |
0,198409 |
1 |
-0,656779 |
-0,073867 |
X3 |
-0,233376 |
-0,656779 |
1 |
0,027049 |
X4 |
0,021751 |
-0,073867 |
0,027049 |
1 |
Поскольку значения коэффициентов корреляции для всех пар объясняющих переменных не превышают по модулю 0,8, то нет необходимости сокращать набор объясняющих переменных.