Чтобы построить диаграммы рассеяния выделим столбцы:

1. Х2 и Y – вставка – диаграммы – точечная – готово (рис. 1):

Рисунок 1. Зависимость Прибыли (убытка) от краткосрочных обязательств

1. Х3 и Y – вставка – диаграммы – точечная – готово (рис. 2):

Рисунок 2. Зависимость Прибыли (убытка) от оборотных активов

1. Х4 и Y – вставка – диаграммы – точечная – готово (рис. 3):

Рисунок 3. Зависимость Прибыли (убытка) от основных средств

Исходя из рисунков, можно сделать вывод, что в модели присутствует гетероскедастичность.

1.1 Корреляционный анализ данных:

Прибыль (убыток) – это зависимая переменная Y (тыс. руб.).

В качестве независимых, объясняющих переменных выбраны:

X2 – краткосрочные обязательства;

X3 –оборотные активы;

X6 –основные средства.

В этом примере количество наблюдений n = 50, количество объясняющих переменных m = 3.

Таблица 2. Результат корреляционного анализа

	Y	Х2	X3	Х6
Y	1
Х2	0,128311	1
X3	0,909919	0,434219	1
Х6	0,839344	0,070659	0,75762	1

Анализ матрицы коэффициентов парной корреляции начнем с анализа первого столбца матрицы, в котором расположены коэффициенты корреляции, отражающие тесноту связи зависимой переменной Прибыль (убыток) с включенными в анализ факторами. Анализ показывает, что зависимая переменная, то есть прибыль (убыток), имеет тесную связь с основными средствами (ryx6 = 0,839) и с оборотными активами (ryx3 = 0,909). Фактор Х2 имеет слабую связь с зависимой переменной и его не рекомендуется включать в модель регрессии.

Затем перейдем к анализу остальных столбцов матрицы с целью выявления коллинеарности. Факторы Х3 и Х6 тесно связаны между собой (= 0,76), что свидетельствует о наличии коллинеарности. Из этих двух переменных оставим Х4 – основные средства, так как rx3y = 0,91 < rx6y = 0,84.

Таким образом, на основе анализа только корреляционной матрицы остаются факторы – Оборотные активы и Основные средства (n = 50, k =2).

Для выявления мультиколлинеарности оставшихся факторов выполняем тест Фаррара–Глоубера по факторам Х2, Х3, Х6.

1.2 Проверка наличия мультиколлинеарности всего массива переменных:

Построим матрицу межфакторных корреляций R1 (табл. 3) и найдем ее определитель det[R1] с помощью функции МОПРЕД.

Таблица 3. Матрица R1

	Y	Х2	X3	Х6
Y	1	0,128311	0,909919	0,839344
Х2	0,128311	1	0,434219	0,070659
X3	0,909919	0,434219	1	0,75762
Х6	0,839344	0,070659	0,75762	1

1.3 Вычислим наблюдаемое значение статистики Фаррара–Глоубера:

FG = - (n-1-(2m+5)/6))*LN(R), где

n = 50 – количество наблюдений;

m = 3 – количество факторов.

Ищем определитель матрицы R: f(x) – математические – МОПРЕД – массив (С3:Е5) – ок. Затем находим логарифм определителя матрицы R: f(x) – математические – LN – число R (C7) – ок.

Теперь можно посчитать значение критерия FGнабл:

FGнабл = - (50-1-(2*3+5)/6))* -1,27668

= 60,21656.

Фактическое значение этого критерия FGнабл сравниваем с табличным значением Х2крит при ½m*(m-1) = 3 степенях свободы и уровне значимости 0,05. Табличное значение Х2крит можно найти с помощью функции ХИ2ОБР (табл. 4).

Таблица 4. Нахождение значений для получения FGнабл и Х2крит

определитель		0,278963
R
	LN(detR)=	-1,27668
	FG=	60,21656
	ХИ2крит=	7,814728

Так как FGнабл > FGкрит (60,21 > 7,81), то в массиве объясняющих переменных существует мультиколлинеарность.