- •Московский государственный университет экономики, статистики и информатики
- •«Изучение производительности труда предприятий машиностроения с помощью методов корреляционного и регрессионного анализа.» Исполнитель: Гусакова Ангелина
- •1.Подготовка данных
- •2. Корреляционный анализ экономических показателей
- •2.1. Построение матрицы парных коэффициентов корреляции
- •Расчёт частных коэффициентов корреляции.
- •2.3Расчёт множественных коэффициентов корреляции
- •Регрессионный анализ экономических показателей
- •3.1. Проверка исходных данных на мультиколлинеарность
- •3.2. Построение регрессионной модели и её интерпретация
- •I этап регрессионного анализа.
- •II этап регрессионного анализа.
- •III этап регрессионного анализа.
- •Интерпретация результатов
- •3.3Сравнение исходных данных с рассчитанными по уравнению регрессии
-
Регрессионный анализ экономических показателей
После того как с помощью корреляционного анализа мы выявили наличие статистически значимых связей между переменными и оценена степень их тесноты, переходим к математическому описанию конкретного вида зависимостей с использованием регрессионного анализа. С этой целью подбираем класс функций, связывающий результативный показатель Y и аргументы X1, X2, X3 ,... Xk, отбираем наиболее информативные аргументы, вычисляем оценки неизвестных значений параметров уравнения связи и анализируем точность полученного уравнения.
Наиболее часто используется множественная линейная модель регрессионного анализа, уравнение которой имеет вид:
для всех i=1,2,…n, или в матричной форме:
,
Где
Исследуем на основе линейной регрессионной модели зависимость производительности труда (Y) от удельного веса покупных изделий (Х6), среднегодового фонда заработной платы (Х13), фондовооруженности труда (Х14) и оборачиваемости нормируемых оборотных средств (Х15).
3.1. Проверка исходных данных на мультиколлинеарность
Одним из основных препятствий эффективного применения множественного регрессионного анализа является мультиколлинеарность. Она возникает в случаях существования достаточно тесных линейных статистических связей между объясняющими переменными X1, X2, X3 ,... Xk. В результате мультиколлинеарности матрица парных коэффициентов корреляции становится слабо обусловленной, близкой к вырожденной.
Точных количественных критериев для определения наличия или отсутствия мультиколлинеарности не существует. Однако существуют некоторые рекомендации по выявлению этого негативного явления, на которые следует обратить внимание. На практике о наличии мультиколлинеарности обычно судят по матрице парных коэффициентов корреляции. Если один из элементов матрицы R больше 0,8 , т.е. | rij | > 0,8 , то считают, что имеет место мультиколлинеарность и в уравнение регрессии следует включать только один из показателей Xi или Xj (как правило, тот, который имеет наибольшую связь с Y).
Прежде, чем переходить к построению регрессионной модели, нам необходимо проверить объясняющие переменные на наличие мультиколлинеарности. Для этого рассмотрим матрицу парных коэффициентов корреляции между факторными признаками Xi.
Таблица 3.1
Матрица парных коэффициентов корреляции факторных признаков
|
Y1 |
X6 |
X13 |
X14 |
X15 |
Y1 |
1 |
0,353248 |
0,577299 |
0,334637 |
-0,204204 |
X6 |
0,353248 |
1 |
0,175528 |
-0,09352 |
-0,048944 |
X13 |
0,577299 |
0,175528 |
1 |
0,077981 |
-0,166761 |
X14 |
0,334637 |
-0,09352 |
0,077981 |
1 |
-0,250172 |
X15 |
-0,204204 |
-0,048944 |
-0,166761 |
-0,250172 |
1 |
Поскольку значения коэффициентов корреляции для всех пар объясняющих переменных не превышают по модулю 0,8, то нет необходимости сокращать набор объясняющих переменных.