- •4.1. Ряды динамики и предварительная обработка
- •4.1.1. Основные определения
- •4.1.3. Среднее значение уровней ряда динамики и его числовых характеристик
- •4.2. Аналитическая модель рядов динамики
- •4.2.1. Факторы, влияющие на формирование значений уровней рядов динамики
- •4.2.3. Основные задачи уровней рядов динамики
- •4.3. Неслучайная составляющая рядов динамики и точечный прогноз
- •4.3.1. Проверка гипотезы о наличии неслучайной составляющей
- •4.4. Случайные составляющие рядов динамики и интервальный прогноз
- •4.4.1. Природа возникновения случайных факторов
- •4.4.2. Условия получения «хороших» оценок для случайной составляющей
- •4.4.3. Проверка гипотезы о случайности,
- •4.5.4. Проверка адекватности и точности многофакторной модели
- •4.5.6. Прогнозирование с помощью многофакторных моделей
4.5.4. Проверка адекватности и точности многофакторной модели
Уравнение многофакторной модели может быть получено с помощью метода наименьших квадратов путем решения системы нормальных уравнений.
Существует
другой, упрощенный способ нахождения
параметров
ПРИМЕР
4.25.
По данным примера 4.24 найти вид уравнения
множественной регрессии.
Составим
и решим систему нормальных уравнений.
Все необходимые расчеты были сделаны
в примере 4.24:
Таким образом, уравнение регрессии имеет вид:
Найдемвторым способом. Пользуясь вычислениям
примера 4.24, получаем:
Уравнения некоторых из многофакторных моделей могут быть приведены к линейному виду. Тем самым неизвестные параметры можно найти с помощью системы (4.41). Например, рассмотрим производственную функцию Кобба—Дугласа. Прологарифмируем ее:
*
откуда, делая замену, получаем вспомогательное уравнение
где
для которого параметры(и тем самым параметры
исходного уравнения) могут быть найдены с помощью системы (4.41).
Адекватность всей модели проверяется с помощью F-критерия Фишера и средней ошибки аппроксимации.
Правило проверки гипотезы.Если окажется, что наблюдаемое значениекритерия больше критического
то
с уровнем значимостиэто
свидетельствует о значимости
(и
тем самым о статистической значимости
эмпириче-
ских
данных).
Замечание.Некоторые критические значения критерия Фишера приведены в табл. СЗ Приложения С.
ПРИМЕР 4.26. С вероятностьюоценить статистиче
отсюда
тогда
причем
Поскольку 1,5536 < 19,00, с вероятностью 0,95 утверждается: эмпирические данные не являются статистически значимыми.
где
— соответственно эмпирическое и
теоретическое (рассчитанное по
многофакторной модели) значения
результативного признакасоответствующие
данным значениям факторных
признаковВеличинане
должна
превышать
12—15%.
ПРИМЕР 4.27.Для данных примера 4.24 найти величину средней ошибки аппроксимации.
Используем модель (4.41) и по ней определяем значения (табл. 4.20).
Таблица
4.20
Расчеты
к примеру 4.27
Получаем
что свидетельствует об удовлетворительной точности построенной модели.
Чтобы подсчитать суммарное влияние факторных признаков на результативный, нужно вычислить общий индекс детерминации
что свидетельствует о суммарном влиянии факторных признаков .на результативный Г лишь в пределах 60,84%.
4.5.5. Критерии отбора факторных признаков в модель
Рассмотрим критерии отбора факторных признаков в модель.
Согласно расчетам для примера 4.24
что указывает на отсутствие мультиколлинеарности.
Так, согласно (4.43) общий индекс детерминации
для данных примера 4.24 равен
Первый способ основан на применении-критерия Стью- дента:
причем
то с уровнем значимости это свидетельствует о значимости коэффициента парной корреляции, а следовательно, о высокой степени влияния факторана
ПРИМЕР 4.28. Установить с уровнем значимостистепень влияния каждого из факторов Xtи Х2на Yиз примера 4.24.
Критическое значение критерия для числа степеней свободы и уровня значимостиравно согласно
табл. С2 Приложения С
Видим, что в обоих случаях неравенство проверки гипотезы оказалось нарушенным. ВлияниеинаYнезначительное.
Итак, включению в модель подлежат те из факторных признаков, для которых выполняется неравенство проверки гипотезы. И наоборот, если дляуказанное неравенство нарушается, то он исключается из модели.
Второй способ определения влияния факторных признаков на результативный заключается в нахождении дельта-коэффициентаОн рассчитывается по формуле
где— параметры линейной модели.
или 95,86%.
Получаем: факторвлияет на результативный фактор 7 в пределах 4,3%, а фактор— в пределах 95,9%.
Следующий показатель называют средним коэффициентом эластичности. Он позволяет ответить на вопрос: на сколько процентов изменится результат Упри изменении факторана один процент? Этот показатель рассчитывается по формуле
ПРИМЕР 4.30. Для факторови из примера 4.24 найти средние коэффициенты эластичности.
Имеем:
Итак, при изменении факторана 1% результат изменится на 2,65%, а изменение факторана 1% влечет за собой изменение результата на 113,12%.
С помощью примеров 4.29 и 4.30 можно заключить, что более значимым является факторный признакОн может быть оставлен в модели, а признакисключается из рассмотрения.