- •2. Регрессионный анализ социально-экономических явлений
- •2.1. Основные задачи и предпосылки применения
- •2.2. Расчет коэффициентов модели
- •2.3. Коэффициент эластичности
- •2.4. Оценка существенности связи и принятие решений на основе уравнения регрессии
- •2.5. Пример расчета коэффициентов уравнения регрессии
- •2.6. Стандартная ошибка оценки уравнения регрессии
- •Измерение вариации по уравнению регрессии.
- •2.7. Доверительные интервалы для оценки неизвестного среднего и индивидуального значений результирующего признака
- •3. Изучение динамики социально-экономических явлений
- •3.1. Правила построения рядов динамики
- •3.2. Структура ряда динамики. Проверка ряда на наличие тренда
- •Критерий серий
- •Критерий инверсий
- •3.5. Средние показатели рядов динамики
- •Результаты аналитического выравнивания динамических рядов
- •Литература
- •Приложение 2 Значения критерия f при 5–%–ном уровне значимости
- •Приложение 1 Значения критерия Стьюдента (для одностороннего критерия) на 10, 5, 1 и 0,1%–ном уровне значимости
2.2. Расчет коэффициентов модели
Чаще всего определение коэффициентов уравнения регрессии осуществляется с помощью метода наименьших квадратов (МНК).
Сущность МНК заключается в том, что сумма квадратов отклонений фактических значений результативного признака от теоретических значений, полученных по уравнению регрессии, должна быть минимальной.
где Yi- фактические (экспериментальные) значения результативного признака; Yтеор- значения результативного признака, полученного по уравнению регрессии.
В зависимости от формы связи в каждом конкретном случае определяется своя система уравнений, удовлетворяющая условию минимизации.
Линейная зависимость
Для функции y = f(x), имеющей вид:
y = b0 +b1x.
коэффициенты a0 и a1 определяются из условия, чтобы сумма квадратов разности между левой и правой частями была бы минимальной.
(11 )
Используя метод нахождения экстремума путем вычисления соответствующих частных производных и приравнивая их к нулю
,
находят систему нормальных уравнений:
(12)
Коэффициенты b1 и b0 определяются по формулам:
,
(13)
,
или
. (13 а )
Экспоненциальная (степенная) зависимость
Для функции y = f(x), имеющей вид:
Коэффициенты b1 и b0 определяются по формулам
,
(14)
Параболическая зависимость
Для функции y = f(x), имеющей вид:
y = b0+b1x+b2x2 .
Коэффициенты b0, b1, b2 определяются при решении системы из трех уравнений (например, методом Гаусса ):
(15)
,
,
;
;
;
.
(16)
Для функции y = f(x), имеющей вид:
y= b0 + b1/X
система уравнений для определения коэффициентов уравнения регрессии имеет вид:
(17)
Для функции y = f(x), имеющей вид:
y=b0·b1x
система уравнений для определения коэффициентов уравнения имеет вид:
(18)
2.3. Коэффициент эластичности
На основе уравнений регрессии часто рассчитывают коэффициенты эластичности результативного признака относительно факторного.
Коэффициент эластичности Э показывает на сколько процентов в среднем изменится результативный признак Y при изменении факторного признака Х на 1% и рассчитывается по формуле
Эхi=bi
(19)
2.4. Оценка существенности связи и принятие решений на основе уравнения регрессии
Важнейшим понятием при экономико-математическом моделировании, как и при всяком моделировании является понятие адекватности модели, т.е. соответствия модели моделируемому объекту или процессу. Адекватность модели является условным понятием, так как полного соответствия модели реальному объекту быть не может, что характерно и для экономико-математического моделирования. При моделировании имеется ввиду не просто адекватность, но соответствие по тем свойствам, которые считаются существенными для исследования. Проверка адекватности экономико-математических моделей является серьезной проблемой, так как эту проблему осложняет трудность измерения экономических величин. Однако без такой проверки применение результатов моделирования в управленческих решениях может не только оказаться малополезным, но и принести существенный вред.
Проверка адекватности регрессионных моделей начинается с проверки значимости каждого коэффициента регрессии. Для этого проверяют гипотезу равенства нулю коэффициентов уравнения, либо проверку значимости уравнения регрессии, а также гипотезу адекватности уравнения, т.е. его способности предсказывать значения функции по значению аргумента (достаточна ли точность прогнозирования) (или пригодности уравнения для целей управления):
Значимость коэффициентов регрессии осуществляется с помощью t- критерия Стьюдента:
( 20 )
где σ2bi - дисперсия коэффициента регрессии.
Параметр модели признается статистически значимым, если
tрасч
tкр
(α;
= n-k-1
),
где α - уровень значимости; = n – k - 1 - число степеней свободы, которое характеризует число свободно варьирующих элементов совокупности.
Величина дисперсии коэффициента регрессии может быть приближенно определена по выражению:
σbo= σост х
( 21)
σb1=
(22 )
(23)
Для проверки значимости модели, полученной по данным активного эксперимента с несколькими повторностями используется F-критерий (критерий Фишера):
,
(24)
где Yтеор- предсказанное
по уравнению регрессии значение; Yi
– экспериментальное значение;
-
среднее значение; n –
число пар экспериментальных значений;
а – число коэффициентов уравнения
регрессии.
Если Fрасч. > F табл при заданном уровне значимости, то уравнение регрессии значимо.
Число степеней свободы числителя 1 равно числу коэффициентов модели без а0, т.е. 1=1.
Число степеней свободы знаменателя 2 равно числу экспериментальных пар значений за вычетом числа коэффициентов уравнения регрессии а.
Проверка
адекватности всей модели осуществляется
с помощью расчета
F-критерия
и величины средней ошибки аппроксимации
.
Если Fрасч> Fα при α = 0,05 или α = 0,01, то Но - гипотеза о несоответствии заложенных в уравнении регрессии связей реально существующим отвергается.
Величина Fα определяется по специальным таблицам на основании значения α = 0,05 или α =0,01 и числа степеней свободы: ν1 = k - 1, ν2 = n - k, где n - число наблюдений, k - число факторных признаков в уравнении.
Значение средней ошибки аппроксимации не должно превышать 12 - 15%
(23)
Наиболее сложным этапом, завершающим регрессионный анализ, является интерпретация уравнения, т. е. перевод его с языка и математики на язык экономики.
Интерпретация моделей регрессии осуществляется методами той отрасли знаний, к которой относятся исследуемые явления. Но всякая интерпретация начинается со статистической оценки уравнения регрессии в целом и оценки значимости входящих в модель факторных признаков, т.е. с выяснения, как они влияют на величину результативного признака. Чем больше величина коэффициента регрессии, тем значительнее влияние данного признака на моделируемый. Особое значение при этом имеет знак перед коэффициентом регрессии. Знаки коэффициентов регрессии говорят о характере влияния на результативный признак. Если коэффициент при факторном признаке имеет знак плюс, то с увеличением данного фактора результативный признак возрастает; если знак минус, то с увеличением факторного признака результативный признак уменьшается. Интерпретация этих знаков полностью определяется социально-экономическим содержанием моделируемого (результативного) признака. Если его величина изменяется в сторону увеличения, то плюсовые знаки факторных признаков имеют положительное влияние. При изменении результативного признака в сторону снижения положительное значение имеют минусовые знаки факторных признаков. Если экономическая теория утверждает, что факторный признак должен иметь положительное значение, а он со знаком минус, то необходимо проверить расчеты параметров уравнения регрессии. Такое явление чаще всего бывает в силу допущенных ошибок при решении. Однако следует иметь в виду, что при анализе совокупного влияния факторов, при наличии взаимосвязей между ними характер их влияния может меняться. Для того чтобы быть уверенным, что факторный признак изменил знак влияния, необходима тщательная проверка решения данной модели, так как часто знаки могут меняться в силу допущенных ошибок при сборе или обработке информации.
При анализе адекватности уравнения регрессии исследуемому процессу возможны следующие варианты.
1. Построенная модель на основе ее проверки по F-критерию в целом адекватна, и все коэффициенты регрессии значимы. Такая модель может быть использована для принятия решений и осуществления прогнозов.
2. Модель по F-критерию Фишера адекватна, но часть коэффициентов регрессии незначима. В этом случае модель пригодна для принятия некоторых решений, но не для прогнозирования.
3. Модель по F-критерию Фишера адекватна, но все коэффициенты регрессии незначимы. В этом случае модель полностью считается неадекватной. На ее основе не принимаются решения и не осуществляются прогнозы.
