- •Оценим тесноту связи с помощью показателей корреляции и детерминации (для каждого уравнения).
- •Дадим сравнительную оценку силы связи фактора (X) с результатом (y) с помощью среднего (общего) коэффициента эластичности:
- •Оценим статистическую значимость параметров линейной регрессии и коэффициента корреляции с помощью t-критерия Стьюдента (a, b, rxy).
- •Оценим качество уравнений с помощью средней ошибки аппроксимации
- •Оценим статистическую надежность результатов регрессионного моделирования с помощью f-критерия Фишера.
- •По значениям характеристик, рассчитанных в пп. 4,6,7 выберем лучшее уравнение регрессии и дадим его обоснование.
Оценим качество уравнений с помощью средней ошибки аппроксимации
Средняя ошибка аппроксимации - среднее отклонение расчетных (теоретических) значений зависимой переменной y от фактических (эмпирических) значений
Допустимый предел значений не более 10-12 %.
А. Для линейной регрессии Б. Для степенной регрессии
В. Для экспоненциальной регрессии Г. Для полулогарифмической регрессии
Е. Для гиперболической регрессии
Вывод: для каждой из построенных моделей ошибка аппроксимации превышает допустимые пределы, что говорит о плохом качестве моделей регрессии.
Наименьшей (хотя и недопустимой) она является для уравнения полулогарифмической регрессии .
Оценим статистическую надежность результатов регрессионного моделирования с помощью f-критерия Фишера.
Н0 - гипотеза о статистической незначимости показателя детерминации R² (Fфакт = 0) и уравнения регрессии.
n – общее число наблюдений (n=16); m – число параметров при переменной x (m=1)/
По таблице значений F-критерия Фишера при условии значимости = 0,05 и число степеней свободы k1 = m = 1, k2 = n – m – 1 = 16-1-1= 14 находим Fкр - максимально возможное значение критерия под влиянием случайных факторов при данных степенях свободы и уровне значимости : Fкр = 4,60.
А. Для линейной регрессии ( )
Так как то гипотеза Н0 отвергается, т.е. R² статистически значим, как и уравнение линейной регрессии.
Б. Для степенной регрессии ( )
Так как то гипотеза Н0 отвергается, т.е. R² статистически значим, как и уравнение степенной регрессии.
В. Для экспоненциальной регрессии ( )
Так как то гипотеза Н0 отвергается, т.е. R² статистически значим, как и уравнение полулогарифмической регрессии.
Д. Для гиперболической регрессии ( )
Так как то гипотеза Н0 отвергается, т.е. R² статистически значим, как и уравнение гиперболической регрессии.
Вывод: F-критерия Фишера показывает, во сколько раз уравнение регрессии предсказывает результаты наблюдений лучше, чем прямая .
Статистически значимыми являются уравнения линейной, степенной, экспоненциальной, гиперболической регрессии, из них всех лучше предсказывает результаты наблюдений уравнение степенной регрессии ( )
По значениям характеристик, рассчитанных в пп. 4,6,7 выберем лучшее уравнение регрессии и дадим его обоснование.
П.4. Наибольшее значение коэффициента эластичности имеет уравнение степенной регрессии ( .
П.6. Наименьшую ошибку аппроксимации (хотя и не допустимую) имеет уравнение полулогарифмической регрессии . Уравнение степенной регрессии отличается на небольшую величину:
П.7. Согласно F-критерию Фишера лучше всех предсказывает результаты наблюдений уравнение степенной регрессии ( )
Вывод: Лучше всех описывает данные наблюдений (зависимость между средней заработанной платой и выплатами социального характера x и потребительскими расходами на душу населения y) уравнение степенной регрессии
Качество модели плохое, так как >10%, возможно из-за небольшого числа наблюдений (n=16).
По линейному уравнению регрессии рассчитаем прогнозное значение результата (y), если прогнозное значение фактора (x) увеличивается на 7% от его среднего уровня:
Уравнение линейной регрессии y=a + b*x ( ).
n – общее число наблюдений (n=16); m – число параметров при переменной x (m=1);
tкр = 2,1448
Прогнозное значение фактора (x):
xпр = тыс. руб.;
xпр - = 44,25 – 885 = -840,75; (xпр - = (-840,75)² = 706860,5625.
Прогнозное значение фактора (y):
yпр = a + b* xпр = 160,48 + 0,39*44,25 = 177,74 тыс. руб.
Стандартная ошибка прогноза:
Предельная ошибка прогноза, которая в 95% случаев не будет превышена, составит:
Доверительный интервал прогноза для уровня значимости =0,05:
(min max или
( = (177,74 – 186,79; 177,74 + 186,79) = (-9,05; 364,53)