6.3. Этапы построения многофакторной корреляционно-регрессионной модели

Разработка модели и исследование экономических процессов должны выполняться по следующим этапам.

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. Проверка адекватности модели.

8. . Экономическая интерпретация.

9. Прогнозирование неизвестных значений зависимой пере­менной.

Рассмотрим подробнее содержание этапов.

1. Априорное исследование экономической проблемы.

В соответствии с целью работы на основе знаний макро-и ми­кроэкономики конкретизируются явления, процессы, зависимость между которыми подлежит оценке. При этом подразумевается прежде всего четкое определение экономических явлений, уста­новление объектов и периода исследования.

На этом этапе исследования должны быть сформулированы экономически осмысленные и приемлемые гипотезы о зависимос­ти экономических явлений.

2. Формирование перечня факторов и их логический анализ.

Для определения наиболее разумного числа переменных в рег­рессионной модели прежде всего ориентируются на соображения профессионально-теоретического характера. Исходя из физическо­го смысла явления, производят классификацию переменных на за­висимую и объясняющую.

3. Сбор исходных данных и их первичная обработка.

При построении модели исходная информация может быть со­брана в трех видах:

• динамические (временные) ряды;

• пространственная информация — информация о работе несколь­ких объектов в одном разрезе времени;

• сменная - табличная форма. Информация о работе нескольких объектов за разные периоды.

Объем выборки зависит от числа факторов, включаемых в мо­дель с учетом свободного члена. Для получения статистически зна­чимой модели требуется на один фактор объем выборки, равный 1=5 8 наблюдений. Например, если в модель включаются три. фактора, то минимальный объем выборки

где т — число факторов, включаемых в модель;

п - число свободных членов в уравнении.

Если в квартальном разрезе собирать данные, то надо их соби­рать за 5 лет [20/4].

4. Спецификация функции регрессии.

На данном этапе исследования дается конкретная формулиров­ка гипотезы о форме связи (линейная или нелинейная, простая или множественная и т. д.). Для этого используются различные критерии для проверки состоятельности гипотетического вида за­висимости. На этом этапе проверяются предпосылки корреляцион­но-регрессионного анализа.

5. Оценка функции регрессии.

Здесь определяются числовые значения параметров регрессии и вычисление ряда показателей, характеризующих точность регрес­сионного анализа.

6. Отбор главных факторов.

Выбор факторов — основа для построения многофакторной кор­реляционно-регрессионной модели.

На этапе «Формирование перечня факторов и их логический анализ» собираются все возможные факторы, обычно более 20-30 факторов. Но это неудобно для анализа, и модель, включающая 20-30 факторов, будет неустойчива. Неустойчивость модели нахо­дит выражение в том, что в ней изменение некоторых факторов ве­дет к увеличению/ вместо снижения у.

Мало факторов — тоже плохо. Это может привести к ошибкам при принятии решении в ходе анализа модели. Поэтому необходи­мо выбирать более рациональный перечень факторов. При этом проводят анализ факторов на мультиколлинеарность.

Анализ и способы снижения влияния мультиколлинеарности на значимость модели

Мультиколлинеарность — попарная корреляционная зависи­мость между факторами.

Мультиколлинеарная зависимость присутствует, если коэффи­циент парной корреляции .

Отрицательное воздействие мультиколлинеарности состоит в следующем:

1. Усложняется процедура выбора главных факторов.

2. Искажается смысл коэффициента множественной корреля­ции (он предполагает независимость факторов).

3. Усложняются вычисления при построении самой модели.

4. Снижается точность оценки параметров регрессии, искажа­ется оценка дисперсии.

Следствием снижения точности является ненадежность коэф­фициентов регрессии и отчасти неприемлемость их использования для интерпретации как меры воздействия соответствующей объяс­няющей переменной на зависимую переменную.

Оценки коэффициента становятся очень чувствительными к выборочным наблюдениям. Небольшое увеличение объема выборки может привести к очень сильным сдвигам в значениях оценок. Кроме того, стандартные ошибки оценок входят в формулы крите­рия значимости, поэтому применение самих критериев становится также ненадежным. Из сказанного ясно, что исследователь должен пытаться установить стохастическую мультиколлинеарность и по возможности устранить ее.

Для измерения мультиколлинеарности можно использовать ко­эффициент множественной детерминации

Д= R², (6.23)

где R — коэффициент множественной корреляции.

При отсутствии мультиколлинеарности факторов

(6.24)

где — коэффициент парной детерминации, вычисляемый по формуле

(6.25)

где — коэффициент парной корреляции между j-м фактором и зависи­мой переменной у.

При наличии мультиколлинеарности соотношение (6.24) не со­блюдается. Поэтому в качестве меры мультиколлинеарности ис­пользуется следующая разность: •

(6.26)

Чем меньше эта разность, тем меньше мультиколлинеарность. Для устранения мультиколлинеарности используется метод исклю­чения переменных. Этот метод заключается в том, что высоко кор­релированные объясняющие переменные (факторы) устраняются из регрессии и она заново оценивается. Отбор переменных, подле­жащих исключению, производится с помощью коэффициентов парной корреляции. Опыт показывает, что если , то од­ну из переменных можно исключить, но какую переменную ис­ключить из анализа, решают исходя из управляемости факторов на уровне предприятия.

Обычно в модели оставляют тот фактор, на который можно разработать мероприятие, обеспечивающее улучшение значения этого фактора в планируемом году. Возможна ситуация, когда оба мультиколлинеарных фактора управляемы на уровне предприятия.

Решить вопрос об исключении того или иного фактора можно толь­ко в соответствии с процедурой отбора главных факторов.

Отбор факторов не самостоятельный процесс, он сопровожда­ется построением модели. Принятие решения об исключении фак­торов производится на основе анализа значений специальных ста­тистических характеристик и с учетом управляемости факторов на уровне предприятия.

Процедура отбора главных факторов обязательно включает сле­дующие этапы:

1. Анализ факторов на мультиколлинеарность и ее исключение. Здесь производится анализ значений коэффициентов парной кор­реляции между факторами х_i и х_у.

2. Анализ тесноты взаимосвязи факторов (х) с зависимой пере­менной (у).

Для анализа тесноты взаимосвязи х и у используются значения коэффициента парной корреляции между фактором и функцией (). Величина определяется на ЭВМ и представлена в корреля­ционной матрице вида:

№ переменной	x1	x2	x3	…	xm	y
X1	1			…
x2		1		…
x3			1	…
…	…	…	…	…	…	…
xm				…	1
y				…		1

Факторы, для которых = 0, т. е. не связанные с y, подлежат исключению в первую очередь. Факторы, имеющие наименьшее значение могут быть потенциально исключены из модели. Во­прос об их окончательном исключении решается в ходе анализа других статистических характеристик.

3. Анализ коэффициентов факторов, которые потенциально мо­гут быть исключены.

Коэффициент учитывает влияние анализируемых факторов на у с учетом различий в уровне их колеблемости. Коэффициент показывает, насколько сигм (средних квадратических отклоне­ний) изменяется функция с изменением соответствующего аргу­мента на одну сигму при фиксированном значении остальных ар­гументов:

(6.27)

где — коэффициент k-гo фактора;

—среднее квадратическое отклонение k-го фактора;

—среднее квадратическое отклонение функции;

— коэффициент регрессии при k-м факторе.

Из двух факторов х_i и х_j может быть исключен тот фактор, ко­торый имеет меньшее значение .

Допустим, исключению подлежит один из мультиколлинеарных факторов х_i или х_j. Оба фактора управляемы на уровне предприя­тия, коэффициенты регрессии а_i и а_j статистически значимы. Фак­тор х_i более тесно связан с у, т. е. , но при этом . В этом случае обычно исключению подлежит фактор x_j.

4. Проверка коэффициентов регрессии на статистическую значи­мость.

Проверка может быть произведена двумя способами:

• проверка статистической значимости а_к по критерию Стьюдента проводится по следующей формуле:

(6.28)

где а_k - коэффициент регрессии при k-м факторе;

— стандартное отклонение оценки параметра а_k.

Число степеней свободы статистики t_k равно f= п - т - 1, где т — количество факторов, включенных в модель. Значение t, вы­числяемое по (6.28), сравнивают с критическим значением t_f,a , най­денным по табл. П.1.1 приложения I при заданном уровне значи­мости и числе степеней свободы f(двухсторонняя критическая область).

Если , то а_k существенно больше 0, а фактор х_k оказыва­ет существенное влияние на у. При этом фактор х_k оставляем в мо­дели. Если , то фактор исключаем из модели;

• проверка статистической значимости а_k по критерию Фишера:

(6.29)

где — многомерный аналог критерия Стьюдента.

Число степеней свободы статистики F_k следующее: f₁=1, f₂ = п - т - 1. Значение F_k, вычисляемое по формуле (6.29), срав­нивают с критическим значением , найденным по табл. П.2.1 приложения 2, при заданных уровне значимости и числе степе­ней свободы f₁,f₂.

Если , то — существенно больше 0, а фактор х_k ока­зывает существенное влияние на у. При этом фактор х_k оставляем в модели. Если , то фактор исключаем из модели.

5. Анализ факторов на управляемость.

В ходе логического анализа на основе экономических знаний исследователь должен сделать вывод: можно ли разработать орга­низационно-технические мероприятия, направленные на улучше­ние (изменение) выбранных факторов на уровне предприятия. Ес­ли это возможно, то данные факторы управляемы. Неуправляемые факторы на уровне предприятия могут быть исключены из модели. Например, из двух факторов х₁ — средняя техническая скорость ав­томобилей и x₂- время погрузки-разгрузки на одну поездку при ра­венстве или близких по значению таких характеристик, как , исключению подлежит х₁. На уровне АТП практиче­ски невозможно повлиять на значение технической скорости, ко­торая зависит в основном от климатических условий и величины транспортного потока.

6. Строится новая регрессионная модель без исключенных факторов. Для этой модели определяется коэффициент множественной детерминации Д.

7. Исследование целесообразности исключения факторов из моде­ли с помощью коэффициента детерминации.

Прежде чем вынести решение об исключении переменных из анализа в силу их незначимого влияния на зависимую перемен­ную, производят исследования с помощью коэффициента детер­минации.

В первой регрессии содержится т объясняющих переменных, во второй — только часть из них, а именно m₁ объясняющих переменных. При этом т = т₁ + т₂, т.е. во вторую регрессию мы не вклю­чили т₂ объясняющих переменных. Теперь следует проверить, вно­сят ли совместно эти т₂ переменных существенную долю в объяс­нение вариации переменной у. Для этого используется статистика

(5.30)

которая имеет F-распределение с f₁ = т и f₂= n-m-1 степенями свободы. Здесь Д_т означает коэффициент детерминации регрессии с т объясняющими переменными, а — коэффициент детерминации регрессии с m₁-факторами.

Разность (Д_т — ) в числителе формулы является мерой до­полнительного объяснения вариации переменной у за счет включе­ния т₂ переменных.

Критическое значение находят по таблице F-распределения при заданном уровне значимости и f₁ и f₂ степенях свободы. Ес­ли то включение дополнительно объясняющих перемен­ных совместно не оказывает значимого влияния на переменную у. Если ,то т₂ объясняющих переменных совместно оказы­вают существенное влияние на вариацию переменной у, и, следо­вательно, в этом случае все т₂ переменные нельзя исключать из модели.

При реализации первой ситуации () факторы оконча­тельно исключаются из модели.

8 Проверка адекватности модели. Данный этап анализа включает:

• оценку значимости коэффициента детерминации. Данная оценка необходима для решения вопроса: оказывают ли выбранные фак­торы влияние на зависимую переменную? Оценку значимости Д следует проводить, так как может сложиться такая ситуация, ког­да величина коэффициента детерминации будет целиком обус­ловлена случайными колебаниями в выборке, на основании ко­торой он, вычислен. Это объясняется тем, что величина Д суще­ственно зависит от объема выборки.

Для оценки значимости коэффициента множественной детер­минации используется следующая статистика:

(6.31)

которая имеет F-распределение с f₁= т и f₂ = п — т — 1 степеня­ми свободы. Здесь Д= R², a m — количество учитываемых объясня­ющих переменных (факторов).

Значение статистики F вычисленное по эмпирическим дан­ным, сравнивается с табличным значением . Критическое зна­чение определяется по табл. П.2.1 приложения 2 по заданному и степеням свободы f₁ и f₂. Если , то вычисленный коэффи­циент детерминаций значимо отличается от 0 и, следовательно, включенные в регрессию переменные достаточно объясняют зави­симую переменную, что позволяет говорить о значимости самой. регрессии (модели);

• проверку качества подбора теоретического уравнения. Она прово­дится с использованием средней ошибки аппроксимации. Средняя ошибка аппроксимации регрессии определяется по формуле:

(6.32)

• вычисление специальных показателей, которые применяются для характеристики воздействия отдельных факторов на результиру­ющий показатель. Это коэффициент эластичности, который по­казывает, на сколько процентов в среднем изменяется функция с изменением аргумента на 1% при фиксированных значениях других аргументов:

(6.33)

доля влияния каждого факторах, в отдельности на вариацию у:

(6.34)

где - коэффициент бетта фактора х_j

Показатель g_i является мерой вариации результативного при­знака за счет изолированного влияния фактора x_j. Следует отме­тить, что система факторов, входящая в модель регрессии, - это не простая их сумма, так как система предполагает внутренние связи, взаимодействие составляющих ее элементов. Действие системы не равно арифметической сумме воздействий составляющих ее эле­ментов. Поэтому необходимо определить показатель системного эффекта факторов :

(6.34)

На основе анализа специальных показателей и значений пар­ной корреляции х с у делают вывод, какие из главных факторов оказывают наибольшее влияние на у. После этого переходят к раз­работке организационно-технических мероприятий, направленных на улучшение значений этих факторов, с целью повышения (сни­жения) результативного показателя у.

9. Экономическая интерпретация.

Результаты регрессионного анализа сравниваются с гипотеза­ми, сформулированными на первом этапе исследования, и оцени­вается их правдоподобие с экономической точки зрения.

10. Прогнозирование неизвестных значений зависимой переменной.

Полученное уравнение регрессии находит практическое приме­нение в прогностическом анализе. Прогноз получают путем под­становки в регрессию с численно оцененными параметрами значе­ний факторов. Следует подчеркнуть, что прогнозирование резуль­татов по регрессии лучше поддается содержательной интерпрета­ции, чем простая экстраполяция тенденций, так как полнее учитывается природа исследуемого явления. Более подробно во­просы прогнозирования рассмотрены в следующем разделе.