
- •Экономико-математические методы и модели
- •Содержание
- •Предисловие
- •1 Цели и задачи изучения дисциплины
- •2 Программа теоретического курса
- •3 Общие положения, рекомендации и требования к выполнению контрольной работы
- •4 Задания контрольной работы
- •4.1 Теоретическая часть Задание 1. Составление структурно-логических схем и тестов
- •4.2 Практическая часть
- •Задание 2. Система экономико-математических моделей оптимального планирования и управления
- •Задание 3. Экономико-статистическое моделирование и прогнозирование
- •5 Методическое пособие к решению практических заданий
- •5.1 Методика решения задания 2
- •2. Решение задачи с помощью инструмента Excel Поиск решения.
- •3. Анализ оптимального решения.
- •1. Экономико-математическая модель задачи.
- •2. Решение задачи с помощью инструмента Excel Поиск решения.
- •5.2 Методика решения задания 3
- •1. Использование инструмента Описательная статистика
- •2. Проведение корреляционного анализа
- •3. Прогнозирование развития показателей с помощью линии тренда Excel
- •4. Прогнозирование с применением функции экспоненциального сглаживания
- •5. Прогнозирование с применением метода скользящего среднего
- •6. Использование функции линейн для создания модели тренда
- •7. Использование функции тенденция для построения прогнозов
- •8. Использование функции предсказ для построения прогнозов
- •9. Анализ нелинейных процессов с помощью функции лгрфприбл.
- •10. Составление нелинейных прогнозов с помощью функции рост
- •11. Прогнозирование с использованием парной регрессии
- •12. Расчет и оценка уравнения множественной регрессии средствами Excel
- •Список рекомендуемой литературы
- •Приложение а Критические значения f-критерия (распределение Фишера)
- •Приложение б Распределение Стьюдента (t-распределение)
12. Расчет и оценка уравнения множественной регрессии средствами Excel
Построить модель множественной линейной регрессии, которая позволит оценить объем товарооборота на ближайшую перспективу при заданных параметрах независимых переменных: «оборачиваемость товаров» и «удельный вес товаров с высокими торговыми надбавками». Исходные данные представлены в таблице 18.
Таблица 18 - Исходные данные
|
А |
В |
С |
D |
1 |
|
|
|
|
2 |
Порядковый номер месяца |
Объем товарооборота, тыс. руб. |
Оборачиваемость товаров, дни |
Удельный вес товаров с высокими торговыми надбавками, % |
3 |
1 |
28415 |
43,5 |
22,5 |
4 |
2 |
28231 |
43,0 |
18,0 |
5 |
3 |
29783 |
43,0 |
24,9 |
6 |
4 |
30969 |
43,5 |
24,4 |
7 |
5 |
30494 |
43,0 |
20,6 |
8 |
6 |
29757 |
42,5 |
19,0 |
9 |
7 |
30850 |
43,0 |
22,2 |
10 |
8 |
31325 |
41,5 |
21,6 |
11 |
9 |
31359 |
42,0 |
19,8 |
12 |
10 |
31610 |
41,5 |
19,7 |
13 |
11 |
32366 |
40,5 |
23,1 |
14 |
12 |
33313 |
40,0 |
23,9 |
15 |
13 |
33508 |
40,0 |
21,2 |
16 |
14 |
33374 |
39,0 |
20,4 |
17 |
15 |
34811 |
39,5 |
24,2 |
18 |
16 |
36046 |
39,0 |
26,5 |
Выполнение:
При построении модели множественной регрессии целесообразнее обратиться к инструменту Excel Регрессия, который предлагает исчерпывающую статистическую информацию о ее параметрах и качестве. Порядок работы с инструментом Регрессия определяется соответствующим окном диалога. Его можно вызвать через команду Анализ данных из контекстного меню панели Сервис. Диалоговое окно Регрессия предлагает пользователю определиться с набором следующих параметров (рис. 32).
Рисунок 32 - Окно диалога «Регрессия»
Так, в первом разделе выходного массива «Регрессионная статистика» (см. ячейки А4:В8 табл. 19) приведены основные статистические характеристики общего качества уравнения: коэффициент множественной корреляции R, коэффициент детерминации R2, стандартная ошибка оценки. Значение R2, равное 0,892, свидетельствует о том, что на основе полученного уравнения регрессии можно объяснить 89,2 % вариации объема товарооборота.
Статистические характеристики второго раздела выходного массива «Дисперсионный анализ» (ячейки A10:F14) позволяют оценить меру разброса (дисперсию) зависимой переменной у и остаточной вариации (дисперсии) отклонений вокруг линии регрессии. Так, значение SSр (ячейка С12) характеризует часть дисперсии, объясненную регрессией, а SSо (ячейка С13) — часть дисперсии, не объясненной регрессией из-за наличия ошибок ε. При проведении регрессионного анализа особый интерес представляет изменение этих значений по мере введения каждого регрессора. Качество модели улучшится, если после введения в нее нового фактора значение объясненной части дисперсии возрастет, а не объясненной — снизится.
В ячейках D12:D13 отражены соответственно дисперсия исходного ряда (МSp = SSp / df, где df = k — см. ячейку В12) и несмещенная дисперсия остаточной компоненты (MS0 = SS0 / df, где df = п - k - 1 — см. ячейку В13).
В ячейке F12 второго раздела выходного массива приведен уровень значимости для оцененного F. Значения F-статистики (53,72) выглядит вполне допустимым, поскольку уровень значимости для нее (5,2•107) остается гораздо ниже 5%-ного предела, принятого для табличных F-статистик. Следовательно, есть основания ожидать, что F-наблюдаемое будет больше Fкрит.
Оценив на основе первого и второго разделов выходного массива общее качество модели связи и убедившись в ее значимости, можем перейти к третьему разделу (см. ячейки A16:G19 табл. 19), который содержит детальную информацию о параметрах уравнения регрессии. Приведенные в ячейках В17:В19 значения параметров (коэффициентов) уравнения позволяют придать формальный вид модели, построенной с помощью регрессионного анализа:
у = 71650,26 – 1098,94х1 + 255,838х2,
где х1 — оборачиваемость товаров, дни; х2 - удельный вес товаров с высокими торговыми надбавками, %.
Оценить значимость каждого параметра позволяют значения t-статистики (см. ячейки D17:D19). Можно использовать приведенный в выходном массиве уровень значимости (см. ячейки Е17:Е19): если он не превышает 0,05 (т.е. 5%-ного уровня), то рассчитанные характеристики t-статистики будут больше табличного значения. Следовательно, статистическая значимость рассчитанных параметров уравнения весьма высока.
И, наконец, наряду с точечными значениями коэффициентов регрессии третий раздел выходного массива позволяет получить их интервальные оценки с доверительной вероятностью 95 % (см. ячейки F17:G19 табл. 19):
58598,85 < b < 84701,68; -1370,81 < m1 < -827,08; 68,597 < m2 < 443,079.
На основании изложенного можно с 95%-ной уверенностью утверждать, что параметры уравнения содержат информацию, значимую для расчета исследуемого показателя.
Таблица 19 - Регрессионный анализ
|
А |
В |
С |
D |
E |
F |
G |
1 |
ВЫВОД ИТОГОВ |
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
3 |
Регрессионная статистика |
|
|
|
|
|
|
4 |
Множественный R |
0,94449 |
|
|
|
|
|
5 |
R-квадрат |
0,892061 |
|
|
|
|
|
6 |
Нормированный R-квадрат |
0,875455 |
|
|
|
|
|
7 |
Стандартная ошибка |
767,1098 |
|
|
|
|
|
8 |
Наблюдения |
16 |
|
|
|
|
|
9 |
|
|
|
|
|
|
|
10 |
Дисперсионный анализ |
|
|
|
|
|
|
11 |
|
df |
SS |
MS |
F |
Значимость F |
|
12 |
Регрессия |
2 |
63223048,84 |
31611524,42 |
53,7193 |
5,2E-07 |
|
13 |
Остаток |
13 |
7649947,599 |
588457,5077 |
|
|
|
14 |
Итого |
15 |
70872996,44 |
|
|
|
|
15 |
|
|
|
|
|
|
|
16 |
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-значение |
Нижние 95% |
Верхние 95% |
17 |
Y-пересечение |
71650,26 |
6041,290874 |
11,86009163 |
2,41E-08 |
58598,85 |
84701,68 |
18 |
Оборачиваемость товаров, дни |
-1098,94 |
125,8413656 |
-8,732770177 |
8,46E-07 |
-1370,81 |
-827,08 |
19 |
Удельный вес товаров с высокими торговыми надбавками, % |
255,8378 |
86,67082253 |
2,951832613 |
0,011232 |
68,59687 |
443,0787 |