- •Статистика
- •Понятие статистического показателя. Атрибуты статистического показателя. Виды статистических показателей.
- •Понятие средней величины. Средняя арифметическая и ее свойства.
- •Количественная оценка тесноты связи по эмпирическим данным: эмпирический коэффициент детерминации, эмпирическое корреляционное отношение.
- •Количественная оценка тесноты связи по эмпирическим данным: коэффициент линейной парной корреляции.
- •Расчет параметров уравнения линейной множественной регрессии и их интерпретация.
- •Статистические методы прогнозирования вопрос 1
- •Вопрос 2
- •Вопрос 3
- •Вопрос 4
- •При косвенном методе величина рассчитывается опосредованно, через другие величины, связанные с искомой определенной зависимостью. Относительные величины измеряются только косвенным методом.
- •Вопрос 5
- •Вопрос 6
- •Вопрос 7
- •Вопрос 8
- •Вопрос 9
- •Вопрос 10
- •Вопрос 11
- •Ч исло групп для удобства возьмем равным 3. Тогда величина интервала будет равна:
- •Вопрос 12
- •Пример: построим равнонаполненную группировку совокупности 20 студентов по признаку «посещаемость практических занятий» - х.
- •Вопрос 13
- •Сложные группировки (группировки по нескольким признакам) делятся на комбинационные и многомерные.
- •Комбинационная группировка студентов по признакам: оценка (y) и посещаемость практических занятий (X):
- •Вопрос 14
- •Вопрос 15
- •Вопрос 16
- •Кумулятивные ряды распределения – ряды распределения, которые содержат один или оба следующих элемента:
- •Вопрос 17 Графические представления рядов распределения
- •Вопрос 18 Понятие средней величины. Средняя арифметическая и ее свойства.
- •Вопрос 19
- •Понятие ведущего показателя
- •Вопрос 20
- •Вопрос 21
- •Вопрос 22
- •Вопрос 23
- •Вопрос 24 Показатели формы распределения. Ответ
- •Вопрос 25 Нормальное распределение и его свойства.
- •Вопрос 26
- •Вопрос 27
- •Вопрос 28
- •Вопрос 29
- •Вопрос 30
- •Вопрос 31 Способы отбора. Ответ
- •Вопрос 32
- •Вопрос 33
- •Вопрос 34
- •Вопрос 35
- •Вопрос 36 Количественная оценка тесноты связи по эмпирическим данным: эмпирический коэффициент детерминации, эмпирическое корреляционное отношение. Ответ
- •Вопрос 37 Количественная оценка тесноты связи по эмпирическим данным: коэффициент линейной парной корреляции. Ответ
- •Вопрос 38
- •Вопрос 39
- •Вопрос 40
- •Вопрос 41
- •Вопрос 42
- •Вопрос 43
- •Вопрос 44 Расчет параметров уравнения линейной множественной регрессии и их интерпретация.
- •Вопрос 45
- •Вопрос 46
- •Вопрос 47
- •Вопрос 48
- •Вопрос 49
- •Вопрос 50
- •Вопрос 51
- •Вопрос 52
- •Добыча нефти в Российской Федерации, млн.Тонн
- •Вопрос 53
- •Область допустимых значений у Кр и Тр от нуля до плюс бесконечности.
- •Используется для правильной оценки значения полученного темпа прироста. Аi показывает какое абсолютное значение скрывается за относительным показателем 1% прироста.
- •Вопрос 54
- •Вопрос 55
- •Вопрос 56
- •Вопрос 57
- •Вопрос 58
- •Вопрос 59 Статистические методы прогнозирования
Вопрос 43
Отбор факторов в уравнение множественной регрессии. Приемы анализа корреляционной матрицы.
ОТВЕТ
Отбор факторов обычно осуществляется в два этапа:
1) Теоретический (содержательный) анализ взаимосвязи результата и факторов, оказывающих на него существенное влияние;
2) Количественная оценка (расчет соответствующих показателей) и анализ взаимосвязи факторов с результатом. При линейной форме связи между признаками данный этап сводится анализу корреляционной матрицы (матрицы парных линейных коэффициентов корреляции).
Факторы, включаемые во множественную регрессию, должны отвечать следующим требованиям:
Они должны быть количественно измеримы. Если необходимо включить в модель качественный фактор, не имеющий количественного измерения, то ему нужно придать количественную определенность (например, в модели урожайности качество почвы задается в виде баллов).
Каждый фактор должен быть достаточно тесно связан с результатом (при линейной связи коэффициент парной корреляции фактора с результатом rxj,y должен существенно отличаться от нуля).
Факторы не должны быть коррелированы друг с другом, тем более находиться в строгой функциональной связи (т.е. они не должны быть интеркоррелированы). Разновидностью интеркоррелированности факторов является мультиколлинеарность - наличие высокой линейной связи между всеми или несколькими факторами.
Мультиколлинеарность может привести к нежелательным последствиям:
1) затрудняется интерпретация параметров множественной регрессии как характеристик действия факторов в «чистом» виде, ибо факторы коррелированны;
2) становится невозможным определить изолированное влияние факторов на результативный показатель.
Корреляционная матрица - это квадратная матрица размером (m+1;m+1) m- число факторов в модели. Ее размер определяется числом признаков, участвующих в анализе: m признаков-факторов и один признак-результат.
ry,y ry,x1 ryx2 .... ry,xm
rx1,y rx1,x2 rx2x2 .... rx2,xm
...... - корреляционная матрица
rxm,y rxm,x1 rxm,x2 .... rxm,xm
Анализ корреляционной матрицы позволяет:
Ранжировать факторы по степени их влияния на результат.
Выявить мультиколлинеарные факторы.
Таким образом, анализ корреляционной матрицы позволяет решить вопрос о составе факторов в уравнении множественной регрессии.
Вопрос 44 Расчет параметров уравнения линейной множественной регрессии и их интерпретация.
ОТВЕТ
Параметры уравнения линейной множественной регрессии: Y’=a+b1·X1+b2·X2+...+bm·Xm (*) можно определить:
методом наименьших квадратов, решив систему нормальных линейных уравнений:
(для решения данной системы можно воспользоваться, например, метод Гаусса (определителей));
- через -коэффициенты (параметры уравнения регрессии в стандартных масштабах):
, j=1;m; .
Коэффициент регрессии bj при факторе Хj в уравнении (*) называют условно-чистым коэффициентом регрессии. Он измеряет среднее по совокупности отклонение признака-результата от его средней величины при отклонении признака-фактора Хj на единицу, при условии, что все прочие факторы модели не изменяются (зафиксированы на своих средних уровнях).
Если не делать предположения о значениях прочих факторов, входящих в модель, то это означает, что каждый из них при изменении Хj может также изменяться (т.к. факторы (пусть и несильно) связаны между собой). Изменение прочих факторов модели вызовет изменение признака-результата. Таким образом, изменение признака-результата будет обусловлено изменением всех факторов модели, а не только интересующего нас фактора Хj.