- •Введение
- •Часть 1 пособия включает 10 девять разделов.
- •1. Моделирование и экономическая деятельность
- •Философия создания правильно построенных экономических систем
- •2. Основы вероятностных методов анализа и моделирования экономических систем
- •2.1. Элементарные понятия о случайных событиях, величинах и функциях
- •Числовые характеристики случайных величин
- •2.3. Статистическая оценка законов распределения случайных величин
- •Вариационный ряд часовой выработки автомобиля
- •2.4. Основные законы распределения случайных величин
- •Дискретные законы распределения
- •2.5. Выбор теоретического закона распределения случайной величины
- •Сравнительная таблица
- •3. Моделирование экономических систем с использованием марковских случайных процессов
- •3.1. Основные понятия марковских процессов
- •3.2. Марковские цепи
- •3.3. Непрерывные цепи Маркова
- •Финальные вероятности состояний
- •Необходимые и достаточные условия существования финальных вероятностей
- •3.4. Моделирование работы подвижного состава с использованием марковских случайных процессов
- •4. Моделирование систем массового обслуживания
- •4.1. Компоненты и классификация моделей массового обслуживания
- •4.2. Определение характеристик систем массового обслуживания. Одноканальная модель с пуассоновским входным потоком с экспоненциальным распределением длительности обслуживания
- •Многоканальная модель с пуассоновским входным потоком и экспоненциальным распределением длительности обслуживания
- •Модель обслуживания машинного парка
- •5. Статистическое моделирование экономических систем
- •5.1. Теоретические основы метода
- •Формулы для моделирования случайных величин
- •Решение
- •Решение
- •Решение
- •Понятие о моделировании случайных функций
- •5.2. Моделирование систем массового обслуживания с использованием метода Монте-Карло
- •Методику решения задачи рассмотрим на примере моделирования смо с отказами.
- •5.3. Моделирование потоков отказов элементов сложных технических систем
- •Решение
- •6.Методы и модели корреляционно-регрессионного анализа
- •6.1. Общие сведения
- •Выборочные уравнения регрессии
- •Линейная регрессия
- •Основные понятия корреляционно-регрессионного анализа
- •6.2. Исходные предпосылки регрессионного анализа и свойства оценок
- •6.3. Этапы построения многофакторной корреляционно-регрессионной модели
- •1. Априорное исследование экономической проблемы.
- •2. Формирование перечня факторов и их логический анализ.
- •3. Сбор исходных данных и их первичная обработка.
- •4. Спецификация функции регрессии.
- •5. Оценка функции регрессии.
- •6. Отбор главных факторов.
- •7. Методы и модели прогнозирования временных рядов экономических показателей
- •7.1. Основные положения и понятия в прогнозировании временных рядов
- •7.2. Характеристика методов и моделей прогнозирования показателей работы предприятий
- •7.3. Прогнозирование с помощью методов экстраполяции
- •1. Установление цели и задачи исследования, анализ объекта прогнозирования.
- •2. Подготовка исходных данных.
- •3. Фильтрация исходного временного ряда.
- •4. Логический отбор видов аппроксимирующей функции.
- •Оценка математической модели прогнозирования
- •Выбор математической модели прогнозирования
- •8.Оптимизационные методы и модели в управлении экономическими системами Линейное программирование
- •8.1. Задачи линейного программирования
Основные понятия корреляционно-регрессионного анализа
1. Среднее значение переменной определяется по следующей
формуле:
, (6.13)
где xi — эмпирическое значение переменной х;
п — число наблюдений.
2. Дисперсия
(6.14)
3. Ковариация
(6.15)
-
Коэффициент корреляции
(6.16)
Коэффициент корреляции характеризует тесноту или силу связи между переменными у и х. Значения, принимаемые , заключены в пределах от - 1 до + 1. При положительном значении имеет место положительная корреляция, т. е. с увеличением (уменьшением) значений одной переменной (х) значение другой (у) соответственно увеличивается (уменьшается). При отрицательном значении имеет место отрицательная корреляция, т. е. с увеличением (уменьшением) значений х значения у соответственно уменьшаются (увеличиваются). При изучении экономического явления, зависящего от многих факторов, строится множественная регрессионная зависимость. В этом случае для характеристики тесноты связи используется коэффициент множественной корреляции:
(6.17)
где - остаточная дисперсия зависимой переменной;
- общая дисперсия зависимой переменной.
5. Общая дисперсия определяется по формуле:
(6.18)
Величина характеризует разброс наблюдений фактических значений от среднего значения .
6. Остаточная дисперсия определяется по следующей формуле
(6.19)
где - теоретические значения переменной у, полученные по уравнению регрессии (5.1) при подстановке в него наблюдаемых фактических значений хi.
Остаточная дисперсия характеризует ту часть рассеяния переменной у, которая возникает из-за всякого рода случайностей и влияния неучтенных факторов.
7. Коэффициент детерминации служит для оценки точности ' регрессии, т. е. соответствия полученного уравнения регрессии имеющимся эмпирическим данным, и вычисляется по формуле
(6.20)
Изменяется Д в пределах от 0 до 1, т. е.
Модель считается тем точнее, чем ближе Д к 1, т. е. чем меньше .
Стандартная ошибка оценки равна
Если Д = 0, это значит отношение = 1, т. е. = , и, следовательно, . В этом случае прямая регрессии будет параллельна оси X, корреляционно-регрессионная связь между X и Y отсутствует. Если Д = 1, значит, = 0, т. е. = 0. Отсюда наблюдаемые точки лежат на построенной прямой, следовательно, зависимость функциональная.
8. Корреляционное отношение используется для оценки тесноты связи между двумя явлениями, в частности для определения тесноты связи исходного ряда уi с теоретическим рядом . Корреляционное отношение определяют по данным, сгруппированным по объясняющей переменной по следующей формуле:
(6.21)
6.2. Исходные предпосылки регрессионного анализа и свойства оценок
Применение метода наименьших квадратов для определения параметров регрессии предполагает выполнение некоторых предпосылок.
Отметим наиболее существенные из них.
Предпосылка I. При нахождении оценок переменной у предполагается существование зависимости переменной у только от тех объясняющих переменных, которые вошли в модель (регрессию). Влияние прочих факторов и случайностей учитывается случайной возмущающей переменной z. При этом полагаем, что для фиксированных значений переменных хi-() среднее значение переменной z равно нулю.
Предпосылка 2. Предполагается, что влияние неучтенных факторов постоянно. Так, при рассмотрении временных рядов в различные периоды эти неучтенные факторы оказывают одинаковое влияние.
Предпосылка 3. Отсутствует автокорреляция между возмущающими переменными z.
Предпосылка 4. Число наблюдений должно превышать число параметров регрессии, иначе невозможна оценка этих параметров.
Предпосылка 5. Предполагается односторонняя зависимость переменной у от факторов хi-(), отсутствие взаимосвязи.
Предпосылка 6. Зависимая переменная у и факторы хi-() распределены нормально.
С помощью регрессионного анализа при указанных выше предпосылках находят оценки параметров, наиболее хорошо согласующиеся с опытными данными. Данные оценки должны обладать определенными свойствами. Рассмотрим некоторые из этих свойств (без доказательства).
-
Несмещенность оценок параметров регрессии. Оценка параметров регрессии называется несмещенной, если для любого фиксированного числа наблюдений выполняется равенство математического ожидания параметра и значения параметра регрессии. Надо отметить, что оценки, полученные методом наименьших квадратов, обладают свойством несмещенности.
-
Состоятельность оценок параметров регрессии. Данное свойство состоит в том, что с ростом объема выборки оценка параметра регрессии b сходится к теоретическому значению параметра (вычисленного по всей генеральной совокупности), т. е. ошибка оценки стремится к нулю:
(6.22)
3. Эффективность оценок параметров регрессии. Несмещенная оценка параметра регрессии называется несмещенной эффективной, если она среди всех прочих несмещенных оценок этого же параметра обладает наименьшей дисперсией.
4. Достаточность оценки. Если представляет собой достаточную оценку параметра , то не существует другой оценки этого параметра, которую можно получить по выборке из некоторой генеральной совокупности и которая дала бы дополнительную информацию о нем. Р. Фишер показал, что количество измеримой информации, содержащейся в некоторой оценке, равно обратной величине от ее дисперсии. Таким образом, понятие достаточности эквивалентно требованию минимальной дисперсии. Достаточная оценка с необходимостью должна быть эффективной и, следовательно, также состоятельной и несмещенной.