Анализ результатов расчёта
Модель парной нелинейной регрессии
Коэффициент парной корреляции
т.е.
связь между фактическими и теоретическими
значениями результативного признака
cильная.
Расчетное значение критерия Фишера больше критического (Fрасч= 84,54834
, Fкр= 3,195056,) следовательно, уравнение регрессии в целом статистически значимо и его можно использовать для прогноза.
Коэффициент детерминации меньше 0,5. Следовательно, среди неучтенных факторных признаков есть еще более существенные, которые необходимо включить в математическую модель многомерной регрессии.
36 – е предприятие может обеспечить среднегодовая численность ППП в размере 31,160тыс. чел
Тогда точечный прогноз для рентабельности этого предприятия равен:
Интервальный прогноз:
-64,22359
+64,22359
189,738562 318,18574
т.е. с вероятностью 95% истинное значение индекса снижения себестоимости от 189,738562 до 318,18574, если среднегодовая численность ППП в размере 31,160тыс. чел
В таблице приведены прогнозные значения индекса снижения себестоимости продукции для 36 – го предприятия и при увеличении максимального выборочного значения признака среднегодовой численность ППП тыс.чел. на 18 %,т.е. призначении 36,7688 тыс.чел.
По сравнению с линейной моделью регрессии среднее значение индекса себестоимости значительно уменьшилось.
Многомерный линейный регрессионный анализ
Математическая модель многомерной линейной регрессии:
Определим параметры модели регрессии с помощью инструмента Регрессия пакета анализа. Для оценки качества модели регрессии используем коэффициент парной корреляции и критерий Фишера.
Выходная информация инструмента Регрессия и размещение информации приведены в таблице:
Анализ результатов расчёта
Уравнение многомерной линейной регрессии
Критическое
значение критерия Фишера
.
Следовательно, уравнение регрессии
статистически не значимо;
Критическое значение
-
статистики
Расчетное значение (
=2,01174),
т.е. этот параметр статистически значим
и он может принимать нулевые значения..
Об этом же свидетельствуют:
- значение (
>0,05).
Коэффициент детерминации 0,89. Следовательно, среди неучтенных факторных признаков нет более существенных, которые необходимо было бы включить в математическую модель многомерной регрессии.
Так как параметры статистически значимы, то полученную модель можно использовать для прогнозирования.
36 – е предприятие может обеспечить среднегодовая численность ППП в размере 31,160тыс. чел
Тогда точечный прогноз для индекс снижения себестоимости продукции равен:
У х=79,39771+6,977444*31,160-254,6969*0,02=
Интервальный прогноз:
т.е. с вероятностью 95% истинное значение индекс снижения себестоимости продукции будет находиться в пределах от
если среднегодовая численность ППП в размере 31,160тыс. чел.
В таблице приведены прогнозные значения индекса снижения себестоимости продукции для 36 – го предприятия и при увеличении максимального выборочного значения признака среднегодовой численность ППП тыс.чел. на 18 %,т.е. призначении 36,7688 тыс.чел.
