Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Тема 7 Статистическое изучение взаимосвязей - испр..doc
Скачиваний:
2
Добавлен:
01.07.2025
Размер:
320 Кб
Скачать
☆

4. Понятие и методика регрессионного анализа

.

Регрессионный анализ заключается в определении аналитического выражения связи факторного и результативного признаков, т.е. в определении статистической модели уравнения связи, расчета его параметров и расчета теоретических значений результативного признака.

В регрессионном анализе можно выделить три составляющие:

- определение типа функции (структуры модели) для описания изучаемой зависимости;

- расчет неизвестных параметров уравнения регрессии;

- оценку качества модели.

Регрессия классифицируется по следующим признакам:

по направлению связи различают:

  • прямую регрессию, когда с увеличением или снижением факторного признака (независимой переменной) одновременно увеличивается или снижается и результативный признак (зависимая переменная);

  • обратную регрессию, когда при увеличении факторного признака результативный признак уменьшается и наоборот;

по количеству факторных признаков:

  • однофакторная (простая или парная) регрессия, когда изучается зависимость результата только от одного факторного признака;

  • многофакторная (множественная) регрессия, когда изучается зависимость результативного признака от двух и больше факторов;

по форме зависимости:

  • линейная регрессия, когда с увеличением факторного признака результативный признак равномерно возрастает или убывает, выражается уравнением прямой ;

  • нелинейная регрессия, когда с увеличением факторного признака изменение результативного признака происходит неравномерно, выражается уравнениями:

полулогарифмической кривой: ;

параболы второго порядка: ;

гиперболы: ;

показательной функции: ;

степенной функции: .

Для оценки адекватности используемой регрессионной модели, применяется следующее условие: наиболее оптимальной моделью является та, теоретическая линия регрессии которой наименее удалена от эмпирических (исходных) данных, т.е. .

Рассмотрим пример: имеются следующие данные по нескольким предприятиям:

Показатели фондовооруженности и производительности труда по предприятиям

Фондовооруженность, тыс. руб.

2

5

3

7

2

6

4

9

8

4

Произведено на 1 работника, тыс. руб.

3

6

4

6

4

8

6

9

9

5

Зависимость между фондовооруженностью и производительностью труда линейная, потому выразим её уравнением прямой: , где - производительность труда, - фондовооруженность труда, и - параметры уравнения регрессии.

Параметры уравнения прямой и определяются путем решения системы нормальных уравнений, полученных по методу наименьших квадратов:

;

или по следующим формулам: и .

Для определения параметров уравнения регрессии построим расчетную таблицу:

Расчет параметров уравнения регрессии

Фондовооруженность,

Производительность труда,

2

3

4

6

3,61

5

6

25

30

6,0

3

4

9

12

4,41

7

6

49

42

7,59

2

4

4

8

3,61

6

8

36

48

6,80

4

6

16

24

5,20

9

9

81

81

9,19

8

9

64

72

8,38

4

5

16

20

5,20

50

60

304

343

60

Для определения параметров уравнения регрессии подставим в систему нормальных уравнений фактические данные из таблицы:

.

Далее решаем систему нормальных уравнений в следующей последовательности:

1) разделим каждый член первого уравнения на 10, а каждый член второго уравнения на 50:

;

2) вычтем из второго уравнения первое и получим: , откуда: ;

3) подставим значение в первое уравнение, получим: .

Таким образом, уравнение регрессии примет следующий вид: . После определения параметров уравнения регрессии рассчитывается теоретическая линия регрессии путем подставки значений в уравнение регрессии. Если параметры уравнения определены правильно, то .

Параметр показывает усредненное влияние на результативный признак неучтенных, т.е. не выделенных для исследования факторных признаков, параметр – это коэффициент регрессии, который показывает, насколько изменяется значение результативного признака при изменении факторного признака на единицу его собственного измерения.

В нашем случае при повышении фондовооруженности на 1 тыс. руб., производительность труда увеличится на 0,796 тыс. руб.

Проверка значимости параметров модели производится с использованием t-статистики, которая в этом случае представляет собой отношение значения параметра к его стандартной (среднеквадратической) ошибке S:

где - стандартная ошибка параметра : = ;

- стандартная ошибка параметра : = .

Фактические значения t-критерия сравниваются с табличными (с учетом уровня значимости α и числа степеней свободы (d.f.=n-k-1)). Параметры признаются статистически значимыми, т.е. сформированными под воздействием неслучайных факторов, если tфакт > tтабл.

Значимость уравнения в целом оценивается на основе F-критерия Фишера.

:

где k – число степеней свободы факторной дисперсии, равное числу независимых переменных (признаков-факторов) в уравнении регрессии;

n-k-1 - число степеней свободы остаточной дисперсии.

Если обе части соотношения разделить на общую дисперсию зависимой переменной (результата), то F-критерий может быть представлен следующим образом:

. (1.28)

Расчетное значение критерия сопоставляется с табличным (с учетом числа степеней свободы: d.f. = k и d.f.=n-k-1) . Если , то делается вывод о статистической значимости уравнения в целом. Поскольку F-критерий основан на соотношении факторной и остаточной дисперсий результативного признака, то вполне логично его использование для оценки качества модели. Если объясненная дисперсия существенно больше необъясненной, это означает, что в уравнение связи включены именно те факторы, которые играют определяющую роль в изменении значения признака-результата. Статистическая значимость уравнения одновременно означает статистическую значимость коэффициента детерминации.

По данным регрессионного анализа можно рассчитать коэффициент эластичности, характеризующий пропорцию взаимосвязи между вариацией факторного и результативного признаков: .

Например, , т.е. в данном случае коэффициент эластичности показывает, что с ростом фондовооруженности труда на 1%, производительность труда возрастет на 0,66%

Если уравнение зависимости выражается параболой второго порядка: , расчет параметров производится также по методу наименьших квадратов. Для чего составляется система нормальных уравнений:

.

Решая систему нормальных уравнений, определяются параметры уравнения параболы второго порядка, при этом используется та же методика их определения, только во втором шаге из второго уравнения вычитается первое, а из третьего уравнения вычитается второе.

Если результативный признак с увеличением факторного признака изменяется не бесконечно, а стремится к какому-то конечному пределу, то для анализа такого признака применяется уравнение гиперболы:

.

Для определения параметров этого уравнения используется система нормальных уравнений:

Чтобы определить параметры уравнения гиперболы методом наименьших квадратов, необходимо привести его к линейному виду. Для чего производят замену переменных: и получают следующую систему нормальных уравнений:

Решая данную систему уравнений, определяются параметры уравнения гиперболы.

Уравнение степенной функции применяется в экономических исследованиях для характеристики слабой нелинейной связи между результативными и факторными признаками. Параметр показывает, что с увеличением факторного признака на 1%, результативный признак увеличивается на процентов, т.е. является коэффициентом эластичности.

Для определения параметров степенной функции методом наименьших квадратов степенную функцию необходимо привести к линейному виду путем логарифмирования:

.

Далее производят замену переменных: , , , после чего записывают предыдущее уравнение в новых обозначениях:

.

Затем строится система нормальных уравнений6

Решая данную систему уравнений, определяются параметры и . Переходя к первоначальным обозначениям , определяется параметр .

Обычно изменение экономических явлений происходит под влиянием не одного, а большого числа самых разнообразных факторов, в таких случаях связь между результативным и факторными признаками выражается уравнением множественной регрессии.

Уравнения множественной регрессии могут быть линейными, криволинейными и комбинированными. Наиболее простым видом уравнения множественной регрессии является линейное уравнение с двумя переменными:

.

Параметры такого уравнения определяются решением системы нормальных уравнений:

Параметр показывает усредненное влияние на результат неучтенных факторных признаков, параметры и характеризуют влияние одного из факторов при элиминировании другого.

9