- •История становления и развития эконометрики
- •Парная линейная регрессия и корреляция в эконометрических исследованиях
- •Оценка значимости параметров уравнения регрессии
- •3.1. Анализ составляющих временного ряда
- •3.2. Определение наличия тренда временного ряда
- •3.4. Оценка адекватности трендовых моделей
- •Исследование временных рядов на основе моделей множественной регрессии
- •Примеры постановки и решения прикладных задач по теме «Многомерный корреляционно-регрессионный анализ»
- •Примеры для самостоятельного решения
- •Библиографический список Основная литература
- •Дополнительная литература
- •Перечень терминов и определений
- •Общие сведения
Исследование временных рядов на основе моделей множественной регрессии
Множественная регрессия – это уравнение связи с несколькими независимыми переменными, т.е.
где y – зависимая переменная (результативный признак);
- независимые переменные (факторы).
Для построения уравнения множественной регрессии чаще всего используются следующие функции:
линейная –
степенная
–
экспонента
–
гипербола
–
Для оценки параметров уравнения множественной регрессии также используется МНК, сущность которого заключается в составлении системы нормальных уравнений, их преобразований и последующего нахождения параметров регрессии.
На практике часто используют другой подход по определению параметров множественной регрессии. Сущность данного подхода заключается в построении на начальном этапе исследования уравнения регрессии в стандартизированной форме и дальнейших его преобразований в ходе последующих этапов.
Уравнение множественной регрессии в стандартизованной форме имеет вид:
(4.1)
где
- стандартизованные переменные;
- стандартизованные
коэффициенты регрессии.
К уравнению вида (3.19) применимы положения МНК. Стандартизованные коэффициенты определяются из следующей системы уравнений:
……………………………………………………...
Связь
коэффициентов множественной регрессии
со стандартизованными коэффициентами
описывается соотношением:
(4.2)
Параметр a определяется по формуле:
(4.3)
Тесноту совместного влияния факторов на результат оценивает индекс множественной корреляции.
Индекс множественной корреляции для уравнения в стандартизованном масштабе можно записать в виде:
.
(4.4)
Кроме
того, могут рассчитываться частные
коэффициенты корреляции, которые
оценивают влияние фактора
на y
при неизменном уровне других.
Частные коэффициенты изменяются в пределах от -1 до + 1.
Качество
построенной модели оценивается по
величине R
.
Для характеристики относится силы влияния факторов
на y
рассчитываются средние (частные)
коэффициенты эластичности (3.23),
показывающие, на сколько % в среднем
изменится анализируемый показатель
(у)
с изменением на 1 % каждого фактора при
фиксированном положении других факторов:
(4.5)
II. Линейные коэффициенты частной корреляции (свидетельствуют о тесноте и направлении связи)
(15)
Общий
критерий F
критерий проверяет гипотезу
о
статической значимости уравнения
регрессии и показателя тесноты связи.
Для этого используется формула:
(16)
m-
число факторов переменных;
По таблицам F – критерия находится значение
m *- число коэффициентов уравнения регрессии
принимается, если
(не менее чем в 4 раза), то с вероятностью
1 –
= 0,95 делаем заключение о статистической
значимости уравнения в целом и показателя
тесноты связи
,
которые сформировались под воздействием
факторов
и
.
Частные
F
критерии -
оценивают статическую значимость
присутствия факторов
и
в уравнении множественной регрессии.
Кроме того,
оценивает целесообразность включения
в уравнение фактора
после того, как в него был включен фактор
Соответственно
указывает на целесообразность включения
в модель фактора
после фактора
.
Рассчитывается по формуле:
(17)
принимается при условии, что
21
Ниже приведены примеры применения многомерного корреляционно – регрессионного анализа.
3.6. Прогнозирование на основе уравнения регрессии
В прогнозных
расчетах по уравнению регрессии
определяется предсказываемое (yпр)
значение как точечный прогноз
при
x
= xпр,
т.е. путем подстановки в уравнение
регрессии соответствующего значения
x.
При этом необходимо правильно выбирать
интервал прогноза (период
упреждения).
Считается, что эффективность прогнозных
оценок сохраняется на интервале, не
превышающем более чем на 30% период
наблюдения.
Определение точности и достоверности прогноза заключается в определении доверительного интервала:
,
(3.17)
где tα – так называемый коэффициент доверия, определяемый с помощью таблиц распределения Стьюдента (при уровне значимости α =0,05 и числу степеней свободы n-m);
.
(3.18)
Обоснование периода упреждения и параметров прогноза показателей предприятия. Период упреждения – это период времени, на который разрабатывается прогноз.
Уравнения трендов иногда определяют на основе относительного коротких динамических рядов. Считается, что период упреждения прогноза не должен превышать 1/3 периода основания прогноза, либо должен быть достаточен для разработки прогноза. Иначе, доверительный интервал для линии тренда, а, следовательно, и для прогностических оценок окажутся весьма широкими. Задавшись некоторыми ограничениями на размер ошибки прогноза или ошибки уровня тренда, можно найти минимальное число наблюдений, при котором поставленное условие будет соблюдено.
