
- •Коэффициент эластичности
- •Обобщенный метод наименьших квадратов.
- •Регрессионные модели с переменной структурой
- •X1, x2,…, xk – экономические переменные.
- •Распространенность ручного труда на предприятиях одной отрасли в зависимости от уровня автоматизации производства.
- •Результаты однофакторного дисперсионного анализа (двухфакторной регрессионной модели с фиктивными переменными).
- •Зависимость расходов на антиквариат от доходов условных денежных единиц
- •77 См. Например, г. Аптон. Анализ таблиц сопряженности. Перевод с англ. М.: Статистика, 1982.
X1, x2,…, xk – экономические переменные.
Фиктивные переменные широко используются для оценки сезонных различий в потреблении. Подробный учет сезонного фактора при построении динамических моделей рассмотрен в главе 8.
Фиктивные переменные могут вводиться не только в линейные, но и в нелинейные модели, приводимые путем преобразований к линейному виду. Так, модель с фиктивными переменными может иметь вид:
,
где: z – фиктивная переменная.
Целесообразность такого вида модели диктуется характером связи между экономическими переменными:
.
Фиктивная переменная вводится в эту модель как очередной сомножитель Cz:
Логарифмируя данное выражение, получим модель:
,
которая равносильна
приведенной ранее
,
где параметры и случайная составляющая
представлены в логарифмах.
До сих пор мы рассматривали фиктивные переменные как факторы, которые используются в регрессионной модели наряду с экономическими переменными. Вместе с тем, возможна регрессия только на фиктивных переменных. Например, изучается дифференциация заработной платы рабочих высокой квалификации по регионам страны. Модель заработной платы может иметь вид:
где: y - средняя заработная плата рабочих высокой квалификации по отдельным предприятиям;
;
;
………………………………………………………………………………..
.
Поскольку последний район, указанный в модели, обозначен zk, то в исследование включено к+1 район.
В виду того, что
факторы данной регрессионной модели
выражены дихотомическими признаками,
параметры модели имеют свою специфику
по сравнению с традиционной их
интерпретацией. Параметр a
представляет собой среднее значение
результативного признака для базовой
группы
.
Параметр b
характеризует разность средних уровней
результативного признака для группы 1
и базовой 0 группы. Соответственно,
параметр bi
представляет собой разность между
и
.
Иными словами, коэффициенты при z
отражают величину эффекта соответствующей
группы фактора z.
Рассмотрим применение данной модели
на следующем условном примере.
Таблица 3.5.
Распространенность ручного труда на предприятиях одной отрасли в зависимости от уровня автоматизации производства.
Уровень автоматизации производства |
Число заводов |
Процент рабочих ручного труда в общей численности рабочих |
|
на каждом заводе данной группы |
в среднем по группе |
||
Высокий |
8 |
31,37,38,39,35,32,34,34 |
35,0 |
Средний |
12 |
40,45,47,48,46,48,50,52,39,43,44,56 |
46,5 |
Низкий |
10 |
47,54,59,55,57,56,65,57,55,61 |
56,6 |
Итого: |
30 |
|
46,8 |
По данным этой таблицы рассматривается следующая регрессионная модель:
где: y - процент рабочих ручного труда в общей численности рабочих;
z - уровень автоматизации производства,
;
;
В качестве базовой группы, с которой ведется сравнение уровня занятости ручным трудом, выступают предприятия с низким уровнем автоматизации производства.
Модель регрессии, исходя из средних уровней, приведенных в последней графе таблицы 3.5., составит:
.
Она показывает,
что в предприятиях с низким уровнем
автоматизации производства средний
процент рабочих ручного труда равен
56,6. На предприятиях с высоким уровнем
автоматизации производства
распространенность ручного труда ниже
на 21,6 процентных пункта (),
а на предприятиях со средним уровнем
автоматизации производства - ниже на
10,1 процентных пункта (
)
по сравнению с предприятиями третьей
группы.
В справедливости данного уравнения регрессии можно убедиться, обратившись к методу наименьших квадратов. Применяя МНК, система нормальных уравнений составит:
В виду того, что переменные z принимают лишь два значения: 1 или 0, в данной системе имеем следующие равенства:
;
;
.
Соответственно, система нормальных уравнений составит:
Решая систему, получим: a = 56,6; b1 = -21.6; b2 = -10.1. Уравнение регрессии, как было показано ранее, примет вид:
.
Индекс детерминации для данной модели составит:
,
что статистически значимо: F-критерий = 54,6; при α = 0,05 и при степенях свободы 2 и 27, F табличное = 3,35.
Поскольку коэффициенты при фиктивных переменных в модели, не содержащей других экономических факторов, характеризуют величину эффектов i-го уровня фактора z, то регрессионная модель по своему содержанию тождественна дисперсионной модели. В основе нашего примера лежит дисперсионная модель вида:
,
где: yij – j - ое наблюдение результативного признака на i - ом уровне исследуемого фактора (в примере i =1,2,3; j=1,…,30);
- среднее значение
результативного признака в целом по
совокупности (в примере
= 46,8);
- эффект, обусловленный
i-ым
уровнем фактора;
- случайная ошибка
в j-ом
наблюдении на i-ом
уровне изучаемого фактора; величина,
на которую фактический уровень
результативного признака yij
отличается от его среднего значения
для i-го
уровня фактора, т.е.
или
.
В регрессионной
модели обычно
,
но так как фиктивная переменная принимает
только два значения, то
.
Так, подставляя в
наше уравнение z1
= 1, z2
= 0, получим
для каждого завода первой группы по
уровню автоматизации производства, что
является для данной группы средней
величиной (см.табл.3.9.5.). Соответственно,
подставляя в уравнение регрессии z1
= 0, z2
= 1, получим:
.
В виду того, что
теоретическое значение результативного
признака в рассматриваемой модели
представляют собой групповые средние
(),
общая сумма квадратов отклонений
раскладывается на одни и те же составляющие,
как в регрессионном, так и в дисперсионном
анализе по результатам группировки.
Так, для дисперсионного анализа имеем:
Общая сумма квадратов |
Факторная сумма квадратов |
Остаточная сумма квадратов |
Для регрессионной модели данное балансовое равенство примет следующий вид:
.
Общая сумма квадратов |
Факторная сумма квадратов |
Остаточная сумма квадратов |
Но так как
,
то факторная и остаточная суммы квадратов,
найденные по регрессионной модели и по
модели дисперсионного анализа совпадают
(см.табл.3.6.).
Таблица 3.6.