- •Математическое моделирование Учебное пособие
- •Донецк 2006
- •Содержание
- •Введение
- •1. Построение экспериментальных законов распределения
- •1.1. Общие положения
- •1.2. Статистические критерии согласия
- •Г) Критерий согласия Романовского
- •1.3. Построение закона Пуассона
- •1.4. Построение показательного закона
- •1.5. Построение нормального закона
- •2. Модели оптимизации
- •2.1. Принципы формирования моделей оптимизации
- •Задача производственного планирования
- •Задача оптимальной загрузки оборудования
- •Задача о смесях
- •Транспортная задача
- •2.2. Графический метод решения задачи линейного программирования
- •Алгоритм графического метода решения злп
- •2.3. Универсальный метод решения линейных задач оптимизации
- •Алгоритм симплекс-метода решения злп
- •Пример 2.3.1. Решить злп (2.2.1), (2.2.5) симплекс-методом.
- •Критерий оптимальности опорного плана
- •Переход к следующей симплекс-таблице осуществляют по правилам:
- •2.4. Двойственная задача линейного программирования
- •Свойства двойственных задач
- •2.5. Методы анализа конфликтных ситуаций с помощью матричных игр
- •Алгоритм принципа максимина (минимакса)
- •Решение. Этаматричная игра имеет размерность (3х4), т.Е. Игрок а имеет три стратегии, а игрок в – четыре. Запишем ее в нормальной форме.
- •Последовательность действий при решении игры
- •3. Регрессионный анализ
- •3.1. Однофакторные модели
- •3.1.1. Построение однофакторных моделей
- •3.1.2. Оценка качества моделей
- •Свойства коэффициента корреляции
- •Построение доверительного интервала для прогнозного значения
- •Пример 3.1.Исследовать зависимость объема прибыли от количества торговых точек. Сделать прогноз в предположении, что количество торговых точек будет увеличено до 25.
- •Вспомогательная расчетная таблица
- •Пример 3.2.Исследовать зависимость показателяуи факторахс помощью логарифмической, степенной и полиномиальной регрессий.
- •3.1.3. Модели рядов динамики
- •3.2. Автокорреляция данных и остатков
- •3.2.1. Автокорреляция данных
- •Пример 3.4. Исследовать на автокорреляцию динамический ряд:
- •Вспомогательная таблица для расчета коэффициента автокорреляции
- •3.2.2. Автокорреляция остатков
- •Причины возникновения автокорреляции
- •Вспомогательная таблица для расчета d-статистики
- •С помощью формулы (3.2.2) найдем d -статистику:
- •3.3. Мультиколлинеарность
- •Причины возникновения мультиколлинеарности:
- •Методы исследования мультиколлинеарности
- •Меры по устранению мультиколлинеарности:
- •3.4. Множественная линейная регрессия
- •3.4.1. Построение множественной линейной регрессии
- •Расчет элементов коэффициента
- •3.4.2. Матричный подход
- •Построение корреляционной матрицы
- •Построение модели множественной линейной регрессии и ее анализ
- •3.4.4. Нелинейные модели
- •3.4.5. Эластичность
- •4.Экспертные оценки и элементы теории графов
- •4.1. Ранговая корреляция
- •4.1.1. Экспертное оценивание
- •4.1.2. Этапы работ в системе экспертных оценок
- •4.1.3. Метод ранговой корреляции
- •Вспомогательные расчеты
- •Б) Случай многих экспертов
- •4.2. Элементы сетевого планирования
- •Основные элементы сетевого графика
- •Основные требования к сетевой модели
- •5. Индивидуальные задания для самостоятельной работы студентов по курсу “математическое моделирование”
- •5.1. Задания к разделу “Построение законов распределения”
- •5.2. Задания к разделу “Математическое программирование”
- •5.3. Задания к разделу “Регрессионный анализ”
- •Задание 2.
- •Задание 3.
- •5.4. Задания к разделу “Экспертные оценки и элементы теории графов” Задание 1.
- •Значение критерия Пирсона
- •Критерий Колмогорова
- •Критерий Колмогорова
- •Квантили распределения Стьюдента
- •Коефициентов автокорреляции
- •Литература
- •Пеніна Галина Геннадіївна, канд. Екон. Наук, доцент
3.4. Множественная линейная регрессия
3.4.1. Построение множественной линейной регрессии
Каждое явление в природе, технике, экономике, общественной жизни определяется комплексом причин. На уровень развития одного показателя могут влиять много факторов. Уровень влияния факторов на показатель может существенно различаться. Все эти закономерности следует учитывать во время проведения эконометрического анализа, прогнозирования и планирования.
При существовании линейной зависимости объясняемой переменной (показателя) от нескольких объясняющих переменных (факторов)общее выражение уравнения множественной регрессии имеет вид:
, (3.4.1)
где у – зависимая переменная, – независимые факторы,– параметры модели. Здесь черезобозначены теоретические значения показателя, рассчитываемые по модели (3.4.1).
Модель описывает совместное одновременное влияние факторов на показатель. Задача исследования состоит в оценке параметров регрессии по результатам выборочных наблюдений над переменными, которые включены в модель. Построение модели проводят с помощью метода наименьших квадратов, решая систему уравнений Гаусса (3.4.2):
(3.4.2)
Данную систему можно решать, используя ранее рассмотренный подход: вычислить все вспомогательные суммы, подставить их в систему и, преобразуя ее с помощью алгебраических преобразований, найти неизвестные параметры уравнения. Это так называемая классическая схема построения многофакторной модели.
Важным этапом регрессионного анализа является оценка практической значимости построенной модели. Проверку значимости модели проводят на основании показателей тесноты связи между признаками ис помощьюмножественного коэффициента корреляции, который выявляет зависимость между фактическими и теоретическими значениями объясняемой переменной. Его вычисляют по формуле (3.4.3)
(3.4.3)
Чем более близок множественный коэффициент корреляции к единице, тем лучше данная модель описывает фактические данные.
Коэффициент детерминацииравен квадрату множественного коэффициента корреляции. Он измеряет долю общей дисперсии относительно среднего, которую можно объяснить регрессией.
Полезным является построение интервальных границ для коэффициента множественной регрессии.
Доверительный интервал для множественного коэффициента корреляциинаходится по формуле (3.4.4)
, (3.4.4)
где ,
– критическая точка, найденная по таблицам Стьюдента (приложение Д).
Для проверки значимости уравнения регрессии применяюткритерий Фишера, вычисляя фактическое значение-статистики по формуле (3.4.5):
. (3.4.5)
По таблице критических точек Фишера (приложение Е) находят критическое значение статистики , где– количество наблюдений,– количество факторов,– уровень значимости.
Если , то уравнение регрессии не является надежно значимым. Если, то уравнение регрессии является значимым.
Прогноз. Предположим, что мы хотим распространить построенную модель на другие значения факторных переменных и решить проблему прогнозирования среднего значения, которое отвечает некоторым данным значениямпеременных. Эти новые значениямогут лежать как между выборочными наблюдениями, так и вне соответствующих интервалов. Точечный прогноз представляет собой вычисленное по уравнению (3.4.1) значение
. (3.4.6)
Пример 3.7. Построить линейную регрессионную модель по данным примера 3.6.
Решение.В примере 3.6 из дальнейшего рассмотрения была исключена переменная. Используем линейную двухфакторную модель
, (3.4.6)
В соответствии с методом наименьших квадратов параметры найдем как решение системы линейных уравнений Гаусса следующего вида
(3.4.7)
Вспомогательные вычисления удобно проводить в таблице:
Таблица 3.13
Расчет коэффициентов системы (3.4.7)
|
|
|
|
|
|
|
|
17,44 |
22,95 |
3,00 |
526,70 |
9,00 |
68,85 |
400,25 |
52,32 |
17,28 |
24,84 |
1,56 |
617,03 |
2,43 |
38,75 |
429,24 |
26,96 |
17,92 |
29,97 |
2,88 |
898,20 |
8,29 |
86,31 |
537,06 |
51,61 |
18,88 |
28,08 |
2,28 |
788,49 |
5,20 |
64,02 |
530,15 |
43,05 |
17,12 |
24,30 |
1,20 |
590,49 |
1,44 |
29,16 |
416,02 |
20,54 |
21,12 |
32,40 |
2,64 |
1049,76 |
6,97 |
85,54 |
684,29 |
55,76 |
20,00 |
29,97 |
3,48 |
898,20 |
12,11 |
104,30 |
599,40 |
69,60 |
20,64 |
33,48 |
2,28 |
1120,91 |
5,20 |
76,33 |
691,03 |
47,06 |
19,68 |
29,70 |
2,52 |
882,09 |
6,35 |
74,84 |
584,50 |
49,59 |
18,40 |
26,73 |
2,40 |
714,49 |
5,76 |
64,15 |
491,83 |
44,16 |
188,48 |
282,42 |
24,24 |
8086,36 |
62,76 |
692,26 |
5363,76 |
460,65 |
В последней строке записывают суммы чисел в столбце.
Система уравнений (3.4.7) для определения параметров регрессии имеет вид:
Решив полученную систему уравнений, найдем ,, тогда уравнение регрессии (3.4.6) имеет вид
. (3.4.8)
Пример 3.8. Для модели (3.4.8), построенной в примере 3.7, найти множественный коэффициент корреляции , коэффициент детерминации, для множественного коэффициента корреляциинайти доверительный интервал, коэффициенты эластичности.
Решение. Для вычисления множественного коэффициента корреляции построим вспомогательную таблицу:
Таблица 3.14