- •Міністерство освіти і науки україни кременчуцький державний політехнічний університет
- •2 Парний регресійний аналіз
- •2.1 Метод найменших квадратів
- •2.2. Коефіцієнт кореляції
- •2.3 Стандартизоване рівняння регресії.
- •2.4 Перевірка гіпотези про значущість відмінності від нуля коефіцієнта кореляції
- •2.5 Коефіцієнт детермінації, індекс кореляції
- •2.6 Матричний запис нормальної системи рівнянь і її розв’язок у матричному вигляді
- •2.7 Дослідження рівнянь регресії
- •2.8 Властивості оцінок (оцінок коефіцієнтів рівняння регресії)
- •2.10 Коефіцієнт еластичності
- •2.9 Прогноз і його надійні інтервали
- •2.10 Нелінійна парна регресія
- •3 Завдання. Парна регресія
- •3.1 Побудова моделі залежності собівартісті автомобіля газ-3110-311 ,у, від обсягу виробництва,х
- •3.2 Побудова моделі залежності прибутку, у, від обсягу товарної продукціі, х
- •4 Методичні вказівки для відшукання основних теоретичних положень, необхідних для виконання лабораторних робіт
- •Б) література:
- •Контрольні питання
- •5 Виконання лабораторних робіт виРішення Завдання 5.1
- •Висновки
- •ВиРішення Завдання 5.2
- •Побудування моделі залежності прибутку від обсягу товарної продукції, її аналіз та прогнозування за моделлю
- •Висновки
- •6 Додатки
- •6.3 Список убудованих функцій ms excel, використовуваних у розрахунках економетричних моделей
- •Список літератури
2.1 Метод найменших квадратів
Найпоширенішим методом під час розв’язання подібних задач є метод найменших квадратів. Основоположниками методу найменших квадратів є К.Гаусс і П.Лаплас.
Зв’язок між показником Y і фактором X з урахуванням можливих відхилень залишемо у вигляді Y=aX++l, де а і – невідомі параметри рівняння, l – випадкова зміна. Таким чином, показник Y зображується у вигляді систематичної складової аX+ і випадкової величини l. Залежність =аX+, яка характеризує середнє значення показника Y для даного значення фактора X, називається регресією. Можемо сказати інакше. Регресія характеризує тенденцію зміни показника, зумовлену впливом зміни фактора. Залежність Y=aX++l характеризує індивідуальне значення показника Y з урахуванням можливих відхилень від середніх значень.
Справжні значення параметрів обчислити не можна, оскільки ми маємо обмежене число спостережень, тому отримані розрахункові значення параметрів а і є статистичними оцінками справжніх параметрів а і . Позначимо оцінки параметрів відповідно через а і b. Тоді рівняння парної регресії буде оцінкою моделі Y=аX+ + l.
Метод найменших квадратів для парної лінійної регресії полягає в підборі таких оцінок параметрів регресії а і b, для яких сума квадратів відхилень спостережуваних значень показника від згладжувальних буде мінімальною. Сума квадратів відхилень має вигляд
(2.1)
Оцінки параметрів а і b лінії регресії Y=аX+b мають бути підібрані методом найменших квадратів так, щоб функціонал Q(a,b) був мінімальним, тобто
(2.2)
Необхідною умовою існування мінімуму функціонала Q(a,b) є рівність нулю частинних похідних цьому функціонала за а і b:
Розкриємо дужки і отримаємо нормальну форму рівнянь:
(2.3)
Розглянемо розв’язок системи нормальних рівнянь. Параметр а визначається такою формулою:
(2.4)
Після ділення чисельника і знаменника на n2 отримаємо:
, (2.5)
тобто параметр а дорівнює відношенню кореляційного моменту К(X, Y) до дисперсії фактора X D(X).
У формулі для параметра b поділимо почленно вирази:
(2.6)
Звідси випливає, що лінія регресії проходить через точку, координати якої є середніми значеннями показника Y і фактора X.
Використовуючи рівняння прямої із заданим кутовим коефіцієнтом, яка проходить через точку (x,y), запишемо парну лінійну регресію у вигляді:
(2.7)
У даному випадку парна лінійна регресія виражається через такі числові характеристики: середні значення показника і фактора, кореляційний момент і дисперсію фактора.
Вище, під час визначення оцінок коефіцієнтів лінії регресії, введено статистичний кореляційний момент
(2.8)
Кореляційний момент – це статистична характеристика системи випадкових величин, яка описує не лише зв’язок між випадковими величинами X і Y, а й їх розсіяння.