23. Выбор структуры уравнения множественной регрессии.

Множественная регрессия(МР) широко исп-ся в решении проблем спроса, доходности акций, издержек пр-ва и других вопросах. Основная цель МР- построить модель с большим числом факторов, определив при этом влияние каждого из них в отдельности, а также их совокупное воздействие на моделируемый показатель.

Yi=Yteor(x_1i;x_2i )+e_i Y_teor(x_1i;x_2i )=a_* +b₁x_1*+b_2*x_2i (+...bp*xp_i)

S(a_* b_1* b_2*)=ⁿ _i=1∑( y_i-a- b₁x₁- b₂x_2i)²→min a, b_1,b_2. a a_*,b_1*,b_2*-решение задачи.

Решение задачи следует из нбх условия минимума функций многих переменных. Производная в точке минимума д.б. равна 0.

(1)∂s/∂a(a_*;b_1*;b_2*)=2∑(ay_i-a_*-b_1*x_1i- b_2*x_2i)(-1)=0; (x²)=2x; (-x)¹=-1; (c)¹=0

(2)∂s/∂b₁(a_*;b_1*;b_2*)=2∑(y_i-a_*-b_1*x_1i-b_2*x_2i)(-x_1i)=0; (cx)¹=c

(3)∂s/∂b₂(a_*;b_1*;b_2*)=2∑(y_i-a_*-b_1*x_1i-b_2*x_2i)(-x_2i)=0; *(-1)

(1);(2);(3)-система нормальных уравнений.

∑Y_i= a_*(∑1)+ b_1*(∑x1_i)+ b_2*(∑x2 _i); (∑1)=n

∑(Y_ix1_i)= a_*∑x1_i+ b_1*∑x1_i²+ b_2*∑(x2_ix1_i)

∑(Y_ix2_i)= a_*∑x2_i+ b_1*∑(x1_i x2 _i)+ b_2*∑x2 _i²

∑Y_i

d=∑(Y_ix1_i)

∑(Y_ix2_i)

n; ∑x1_i; ∑x2 _i;

A=∑x1_i; ∑x1_i²; ∑x2_ix1_i;

∑x2_i; ∑x1_i x2 _i; ∑x2 _i²;

a*

x=b1*

b2*

d=A*x; A^-1; A^-1d=x

х и d – векторы, причем х- вектор неизвестных коэф-тов

# 1 шаг: сформировать матрицу А, сформировать столбец d, 2 шаг: сделать обратную матрицу, 3 шаг: полученную матрицу умножаем на матрицу умножаем на d, получаем х. 4 шаг: проверяем с помощью сервиса ан-з данных регрессия.

Замечание: также как в парной регрессии коэффициент ур-ия множественной регрессии м. вычислять 2-мя способами: 1.ч/з линейную ф-ю. 2.Сервис→ан данных→регрессия(более предпочтительный способ) коэффициенты вычисл-ся и располагаются более естественно.

Правило получения хорошей модели: 1) F факт> F табл. 2) вероятность или значение д.б.<0,05. Y теор(Xi;X2i)=a*+b*Xi+b2*X2i+b3*X3i – наиболее точная.

Факторы, включ-ые во МР, д отвечать след треб-ям: 1 д.б. количественно измеримы. Если нбх-мо включить в модель качественный фактор, не имеющий кол-го измерения, то ему нужно придать кол-ную определенность(#в модели стоимости объектов недвижимости учитывается место нахождения недвижимости, и районы м.б. проранжированы) 2. Факторы не д.б. интеркоррелированы и находиться в точной функциональной связи. Система нормальных ур-ий м. оказаться плохо обусловленной и повлечет неустойчивость и ненадежность оценок коэффициентов регрессии если включаются в модель факторы с высокой интеркорреляцией , когда R_{y x1}<R_x1x2 для зависимости y=a+b₁x₁+b₂x₂+e. Если м/у факторами существует высокая корреляция, то нельзя определить их изолированное влияние на результат-й показатель и параметры ур-ия регрессии оказыв-ся неинтерпретируемыми. Так в ур-ии y=a+b₁x₁+b₂x₂+e. предполаг-я , что факторы x₁, x₂ незав-мы др. от др-га, т.е. r_x1x2=0. Тогда м. говорить, что параметр b₁ измеряет силу влияния фактора x₁ на результат у при неизменном значении фактора x₂. Если же r_x1x2=1, то с изменением фактора x₁ фактор x₂ не может оставаться неизменным. Отсюда b₁ и b₂ нельзя интерпретировать как показатели раздельного влияния x₁ и x₂ и на y,