Расчётная таблица № 6

№
А	1	2	3	4	5	6	7	8	9	10
1	11,6	7,3	2,4510	1,9879	4,8723	4,8723	2,0330	0,0020	7,6	2,2
2	14,8	9,3	2,6946	2,2300	6,0091	6,0091	2,2148	0,0002	9,2	0,7
3	19,0	14,0	2,9444	2,6391	7,7705	7,7705	2,4011	0,0566	11,0	22,2
4	19,1	9,4	2,9497	2,2407	6,6094	6,6094	2,4050	0,0270	11,1	12,6
5	26,2	15,6	3,2658	2,7473	8,9719	8,9719	2,6408	0,0113	14,0	11,9
6	27,5	12,1	3,3142	2,4932	8,2629	8,2629	2,6770	0,0338	14,5	17,8
7	30,0	16,3	3,4012	2,7912	9,4933	9,4933	2,7419	0,0024	15,5	5,9
8	37,3	16,7	3,6190	2,8154	10,1889	10,1889	2,9044	0,0079	18,3	11,9
9	39,5	20,5	3,6763	3,0204	11,1040	11,1040	2,9471	0,0054	19,1	10,4
Итого		121,2	28,3162	22,9651	73,2824	73,2824	22,9651	0,1467	120,3	95,6
Средняя		13,5	3,1462	2,5517	—	—	—	—	—	10,6
Сигма			0,3914	0,3187
D			0,1532	0,1016

В результате расчёта получены следующие значения определителей второго порядка:

12,4075;

2,5371;

9,25642.

Параметры степенной функции составляют:

; .

Уравнение имеет вид: lnY=ln a₀ + a₁*ln X = 0,2045 + 0,7460*X , а после процедуры потенцирования уравнение приобретает окончательный вид:

или .

Полученное уравнение несколько лучше описывает изучаемую зависимость и более надёжно по сравнению с линейной моделью. Степенная модель имеет детерминацию на уровне 84,0% (против 82,4% по линейной модели), F_факт.=36,6 (против 33,1 для линейной модели) и ошибку аппроксимации на уровне 10,6% (сравните с 10,9% для уравнения прямой).

Очевидно, что преимущества степенной модели по сравнению с линейной не столь значительны, но её построение заметно сложнее и требует значительно больших усилий. Поэтому окончательный выбор, в данном конкретном случае, сделаем в пользу модели, которая является более простой при построении, анализе и использовании, то есть в пользу линейной модели:

Заключительным этапом решения данной задачи является выполнение прогноза и его оценка.

Если предположить, что прогнозное значение общей суммы доходов населения, например, Новгородской области, (см. табл.2 строка 2) возрастёт с 14,8 млрд. руб.на 5,7% и составит 15,6 млрд. руб., то есть X_{прогнозн}.= 14,8*1,057=15,6, тогда прогнозное значение результата сформируется на уровне: Y_{прогнозн.} =3,415+0,402*15,6=9,7 (млрд. руб.). То есть, прирост фактора на 5,7% приводит к приросту результата на 4,2 процента ( .

Рассчитаем интегральную ошибку прогноза - , которая формируется как сумма двух ошибок: из ошибки прогноза как результата отклонения прогноза от уравнения регрессии- и ошибки прогноза положения регрессии - . То есть, .

В нашем случае , где k- число факторов в уравнении, которое в данной задаче равно 1. Тогда (млрд. руб.).

Ошибка положения регрессии составит: =

= = = 0,914 (млрд. руб.).

Интегральная ошибка прогноза составит: = = 2,1 (млрд. руб.).

Предельная ошибка прогноза, которая не будет превышена в 95% возможных реализаций прогноза, составит: = 2,365*2,1 = 5,011 ≈ 5,0 (млрд. руб.). Табличное значение t-критерия для уровня значимости α=0,05 и для степеней свободы n-k-1 = 9-1-1=7 составит 2,365. (См. табл. приложения 2). Следовательно, ошибка большинства реализаций прогноза не превысит млрд. руб.

Это означает, что фактическая реализация прогноза будет находиться в доверительном интервале . Верхняя граница доверительного интервала составит

= 9,7 + 5,0 = 14,7(млрд. руб.).

Нижняя граница доверительного интервала составит: = 9,7 - 5,0 = 4,7(млрд. руб.).

Относительная величина различий значений верхней и нижней границ составит: = раза. Это означает, что верхняя граница в 3,12 раза больше нижней границы, то есть точность выполненного прогноза весьма невелика, но его надёжность на уровне 95% оценивается как высокая. Причиной небольшой точности прогноза является повышенная ошибка аппроксимации. Здесь её значение выходит за границу 5-7% из-за недостаточно высокой типичности линейной регрессии, которая проявляется в присутствии единиц с высокой индивидуальной ошибкой. Если удалить территории с предельно высокой ошибкой (например, Калининградскую область с ), тогда качество линейной модели и точность прогноза по ней заметно повысятся.