1. Упорядочение п наблюдений по мере возрастания перемен­ной х.

2. Исключение  средних наблюдений (  должно быть примерно равно четверти общего количества наблюдений).

3. Разделение совокупности на две группы (соответственно с малыми и большими значениями фактора  ) и определение по каждой из групп уравнений регрессии.

4. Определение остаточной суммы квадратов для первой регрессии  и второй регрессии  .

5. Вычисление отношений  (или  ). В числителе должна быть большая сумма квадратов.

Полученное от­ношение имеет F распределение со степенями свободы k1=n1-k и k2=n-n1-k, (k– число оцениваемых параметров в уравнении регрессии). Если  , то гетероскедастичность имеет место. Чем больше величина F превышает табличное значение F -критерия, тем более нарушена предпосылка о равенстве дисперсий остаточ­ных величин. ^ Оценка влияния отдельных факторов на зависимую переменную на основе модели (коэффициенты эластичности,  - коэффициенты). Важную роль при оценке влияния факторов играют коэффициен­ты регрессионной модели. Однако непосредственно с их помощью нельзя сопоставить факторы по степени их влияния на зависимую переменную из-за различия единиц измерения и разной степени ко­леблемости. Для устранения таких различий при интерпретации применяются средние частные коэффициенты эластичности Э(j) и бета-коэффициенты (j). Эластичность Y по отношению к Х(j) определяется как процентное изменение Y, отнесенное к соответствующему процентному изменению Х. В общем случае эластичности не постоянны, они различаются, если измерены для различных точек на линии регрессии. По умолчанию стандартные программы, оценивающие эластичность, вычисляют ее в точках средних значений:   Эластичность ненормирована и может изменяться от -  до +  . Важно, что она безразмерна, так что интерпретация эластичности  =2.0 означает, что если  изменится на 1%, то это приведет к изменению  на 2%. Если  =-0.5, то это означает, что увеличение  на 1% приведет к уменьшению  на 0.5%. Высокий уровень эластичности означает сильное влияние независимой переменной на объясняемую переменную.    где S_xj — среднеквадратическое отклонение фактора j где    . Коэффициент эластичности показывает, на сколько процентов изменяется зависимая переменная при изменении фактора j на один процент. Однако он не учитывает степень колеблемости факторов. Бета-коэффициент показывает, на какую часть величины средне­го квадратического отклонения S_y изменится зависи­мая переменная Y с изменением соответствующей независимой пере­менной Х_j на величину своего среднеквадратического отклонения при фиксирован­ном на постоянном уровне значении остальных независимых пере­менных. Указанные коэффициенты позволяют упорядочить факторы по степени влияния факторов на зависимую переменную. Долю влияния фактора в суммарном влиянии всех факторов мож­но оценить по величине дельта - коэффициентов  (j):   где  — коэффициент парной корреляции между фактором j (j = 1,...,m) и зависимой переменной. ^ Прогнозирование с помощью модели множественной регрессии. Уравнение регрессии применяют для расчета значений показателя в заданном диапазоне изменения параметров. Оно ограниченно пригодно для расчета вне этого диапазона, т.е. его можно применять для решения задач интерполяции и в ограниченной степени для экстраполяции.  Прогноз, полученный подстановкой в уравнение регрессии ожидаемого значения параметра, является точечным. Вероятность реализации такого прогноза ничтожна мала. Целесообразно определить доверительный интервал прогноза.  Для того чтобы определить область возможных значений резуль­тативного показателя, при рассчитанных значениях факторов следует учитывать два возможных источника ошибок: рассеивание на­блюдений относительно линии регрессии и ошибки, обусловленные математическим аппаратом построения самой линии регрессии. Ошибки первого рода измеряются с помощью характеристик точ­ности, в частности, величиной  . Ошибки второго рода обусловле­ны фиксацией численного значения коэффициентов регрессии, в то время как они в действительности являются случайными, нормально распределенными. Для линейной модели регрессии доверительный интервал рассчи­тывается следующим образом. Оценивается величина отклонения от линии регрессии (обозначим ее U):.  (2.10). где  . ^