Задание 2
1. Построить матрицу парных коэффициентов корреляции. Проверить наличие мультиколлинеарности. Обосновать отбор факторов в модель.
2. Построить уравнение множественной регрессии в линейной форме с выбранными факторами.
3. Оценить статистическую значимость уравнения регрессии и его параметров с помощью критериев Фишера и Стьюдента.
4. Построить уравнение регрессии со статистически значимыми факторами. Оценить качество уравнения регрессии с помощью коэффициента детерминации R 2 . Оценить точность построенной модели.
5. Оценить прогноз объема выпуска продукции, если прогнозные значения факторов составляют 75% от их максимальных значений.
Условия задачи (Вариант 21)
По данным, представленным в таблице 1 (n =17), изучается зависимость объема выпуска продукции Y (млн. руб.) от следующих факторов (переменных):
X 1 – численность промышленно-производственного персонала, чел.
X 2 – среднегодовая стоимость основных фондов, млн. руб.
X 3 – износ основных фондов, %
X 4 – электровооруженность, кВт×ч.
X 5 – техническая вооруженность одного рабочего, млн. руб.
X 6 – выработка товарной продукции на одного работающего, руб.
Таблица 1. Данные выпуска продукции
| № | Y | X 1 | X 2 | X 3 | X 4 | X 5 | X 6 |
| 39,5 | 4,9 | 3,2 | |||||
| 46,4 | 60,5 | 20,4 | |||||
| 43,7 | 24,9 | 9,5 | |||||
| 35,7 | 50,4 | 34,7 | |||||
| 41,8 | 5,1 | 17,9 | |||||
| 49,8 | 35,9 | 12,1 | |||||
| 44,1 | 48,1 | 18,9 | |||||
| 48,1 | 69,5 | 12,2 | |||||
| 47,6 | 31,9 | 8,1 | |||||
| 58,6 | 139,4 | 29,7 | |||||
| 70,4 | 16,9 | 5,3 | |||||
| 37,5 | 17,8 | 5,6 | |||||
| 62,0 | 27,6 | 12,3 | |||||
| 34,4 | 13,9 | 3,2 | |||||
| 35,4 | 37,3 | 19,0 | |||||
| 40,8 | 55,3 | 19,3 | |||||
| 48,1 | 35,1 | 12,4 |
Построить матрицу парных коэффициентов корреляции. Проверить наличие мультиколлинеарности. Обосновать отбор факторов в модель
В таблице 2 представлена матрица коэффициентов парной корреляции для всех переменных, участвующих в рассмотрении. Матрица получена с помощью инструмента Корреляция из пакета Анализ данных в Excel.
Таблица 2. Матрица коэффициентов парной корреляции
| Y | X1 | X2 | X3 | X4 | X5 | X6 | |
| Y | |||||||
| X1 | 0,995634 | ||||||
| X2 | 0,996949 | 0,994947 | |||||
| X3 | -0,25446 | -0,27074 | -0,26264 | ||||
| X4 | 0,12291 | 0,07251 | 0,107572 | 0,248622 | |||
| X5 | 0,222946 | 0,166919 | 0,219914 | -0,07573 | 0,671386 | ||
| X6 | 0,067685 | -0,00273 | 0,041955 | -0,28755 | 0,366382 | 0,600899 |
Визуальный анализ матрицы позволяет установить:
1) У имеет довольно высокие парные корреляции с переменными Х1, Х2 (>0,5) и низкие с переменными Х3,Х4,Х5,Х6 (<0,5);
2) Переменные анализа Х1, Х2 демонстрируют довольно высокие парные корреляции, что обуславливает необходимость проверки факторов на наличие между ними мультиколлинеарности. Тем более, что одним из условий классической регрессионной модели является предположение о независимости объясняющих переменных.
Для выявления мультиколлинеарности факторов выполним тест Фаррара-Глоубера по факторам Х1,Х2,Х3,Х4,Х5,Х6 .
Проверка теста Фаррара-Глоубера на мультиколлинеарность факторов включает несколько этапов.
1) Проверка наличия мультиколлинеарности всего массива переменных .
Одним из условий классической регрессионной модели является предположение о независимости объясняющих переменных. Для выявления мультиколлинеарности между факторами вычисляется матрица межфакторных корреляций R с помощью Пакета анализа данных (таблица 3).
Таблица 3.Матрица межфакторных корреляций R
| X1 | X2 | X3 | X4 | X5 | X6 | |
| X1 | 0,994947 | -0,27074 | 0,07251 | 0,166919 | -0,00273 | |
| X2 | 0,994947 | -0,26264 | 0,107572 | 0,219914 | 0,041955 | |
| X3 | -0,27074 | -0,26264 | 0,248622 | -0,07573 | -0,28755 | |
| X4 | 0,07251 | 0,107572 | 0,248622 | 0,671386 | 0,366382 | |
| X5 | 0,166919 | 0,219914 | -0,07573 | 0,671386 | 0,600899 | |
| X6 | -0,00273 | 0,041955 | -0,28755 | 0,366382 | 0,600899 |
Между факторами Х1 и Х2, Х5 и Х4, Х6 и Х5 наблюдается сильная зависимость (>0,5).
Определитель det (R) = 0,001488 вычисляется с помощью функции МОПРЕД. Определитель матрицы R стремится к нулю, что позволяет сделать предположение об общей мультиколлинеарности факторов.
2) Проверка наличия мультиколлинеарности каждой переменной с другими переменными:
· Вычислим обратную матрицу R -1 с помощью функции Excel МОБР (таблица 4):
Таблица 4. Обратная матрица R -1
| X1 | X2 | X3 | X4 | X5 | X6 | |
| X1 | 150,1209 | -149,95 | 3,415228 | -1,70527 | 6,775768 | 4,236465 |
| X2 | -149,95 | 150,9583 | -3,00988 | 1,591549 | -7,10952 | -3,91954 |
| X3 | 3,415228 | -3,00988 | 1,541199 | -0,76909 | 0,325241 | 0,665121 |
| X4 | -1,70527 | 1,591549 | -0,76909 | 2,218969 | -1,4854 | -0,213 |
| X5 | 6,775768 | -7,10952 | 0,325241 | -1,4854 | 2,943718 | -0,81434 |
| X6 | 4,236465 | -3,91954 | 0,665121 | -0,213 | -0,81434 | 1,934647 |
· Вычисление F-критериев , где – диагональные элементы матрицы , n=17, k = 6 (таблица 5).
Таблица 5. Значения F-критериев
| F1 (Х1) | F2 (Х2) | F3 (Х3) | F4 (Х4) | F5 (Х5) | F6 (Х6) |
| 89,29396 | 89,79536 | 0,324071 | 0,729921 | 1,163903 | 0,559669 |
· Фактические значения F-критериев сравниваются с табличным значением F табл = 3,21 (FРАСПОБР(0,05;6;10)) при n1= 6 и n2 = n - k – 1=17-6-1=10 степенях свободы и уровне значимости α=0,05, где k – количество факторов.
· Значения F-критериев для факторов Х1 и Х2 больше табличного, что свидетельствует о наличии мультиколлинеарности между данными факторами. Меньше всего влияет на общую мультиколлинеарность факторов фактор Х3.
3) Проверка наличия мультиколлинеарности каждой пары переменных
· Вычислим частные коэффициенты корреляции по формуле , где – элементы матрицы (таблица 6)
Таблица 6. Матрица коэффициентов частных корреляций
| X1 | X2 | X3 | X4 | X5 | X6 | |
| X1 | ||||||
| X2 | 0,996086 | |||||
| X3 | -0,22453 | 0,197329 | ||||
| X4 | 0,093432 | -0,08696 | 0,415882 | |||
| X5 | -0,32232 | 0,337259 | -0,1527 | 0,581191 | ||
| X6 | -0,24859 | 0,229354 | -0,38519 | 0,102801 | 0,341239 |
· Вычисление t
-критериев по формуле 
(таблица 7)
n - число данных = 17
K - число факторов = 6
Таблица 7.t-критерии для коэффициентов частной корреляции
| X1 | X2 | X3 | X4 | X5 | X6 | |
| X1 | ||||||
| X2 | 35,6355 | |||||
| X3 | -0,72862 | 0,636526 | ||||
| X4 | 0,296756 | -0,27604 | 1,446126 | |||
| X5 | -1,07674 | 1,13288 | -0,4886 | 2,258495 | ||
| X6 | -0,81158 | 0,745143 | -1,31991 | 0,326817 | 1,147999 |
t табл = СТЬЮДРАСПОБР(0,05;10) = 2,23
Фактические значения t-критериев сравниваются с табличным значением при степенях свободы n-k-1 = 17-6-1=10 и уровне значимости α=0,05;
t21 > tтабл
t54 > tтабл
Из таблиц 6 и 7 видно, что две пары факторов X1 и Х2, Х4 и Х5 имеют высокую статистически значимую частную корреляцию, то есть являются мультиколлинеарными. Для того чтобы избавиться от мультиколлинеарности, можно исключить одну из переменных коллинеарной пары. В паре Х1 и Х2 оставляем Х2, в паре Х4 и Х5 оставляем Х5.
Таким образом, в результате проверки теста Фаррара-Глоубера остаются факторы: Х2, Х3, Х5, Х6.
Завершая процедуры корреляционного анализа, целесообразно посмотреть частные корреляции выбранных факторов с результатом Y.
Построим матрицу парных коэффициентов корреляции, исходя из данных таблицы 8.
Таблица 8. Данные выпуска продукции с отобранными факторами Х2, Х3, Х5, Х6.
| № наблю-дения | Y | X 2 | X 3 | X 5 | X 6 |
| 39,5 | 3,2 | ||||
| 46,4 | 20,4 | ||||
| 43,7 | 9,5 | ||||
| 35,7 | 34,7 | ||||
| 41,8 | 17,9 | ||||
| 49,8 | 12,1 | ||||
| 44,1 | 18,9 | ||||
| 48,1 | 12,2 | ||||
| 47,6 | 8,1 | ||||
| 58,6 | 29,7 | ||||
| 70,4 | 5,3 | ||||
| 37,5 | 5,6 | ||||
| 12,3 | |||||
| 34,4 | 3,2 | ||||
| 35,4 | |||||
| 40,8 | 19,3 | ||||
| 48,1 | 12,4 |
В последнем столбце таблицы 9 представлены значения t-критерия для столбца У.
Таблица 9.Матрица коэффициентов частной корреляции с результатом Y
| Y | X2 | X3 | X5 | X6 | t критерий (t табл (0,05;11)= 2,200985 | |
| Y | 0,996949 | -0,25446 | 0,222946 | 0,067685 | ||
| X2 | 0,996949 | -0,26264 | 0,219914 | 0,041955 | 44,31676 | |
| X3 | -0,25446 | -0,26264 | -0,07573 | -0,28755 | 0,916144 | |
| X5 | 0,222946 | 0,219914 | -0,07573 | 0,600899 | -0,88721 | |
| X6 | 0,067685 | 0,041955 | -0,28755 | 0,600899 | 1,645749 |
Из таблицы 9 видно, что переменная Y имеет высокую и одновременно статистически значимую частную корреляцию с фактором Х2.
Матрица парных коэффициентов корреляции
| Y | X1 | X2 | X3 | X4 | X5 | |
| Y | ||||||
| X1 | 0,732705 | |||||
| X2 | 0,785156 | 0,706287 | ||||
| X3 | 0,179211 | -0,29849 | 0,208514 | |||
| X4 | 0,667343 | 0,924333 | 0,70069 | 0,299583 | ||
| X5 | 0,709204 | 0,940488 | 0,691809 | 0,326602 | 0,992945 |
В узлах матрицы находятся парные коэффициенты корреляции, характеризующие тесноту взаимосвязи между факторными признаками. Анализируя эти коэффициенты, отметим, что чем больше их абсолютная величина, тем большее влияние оказывает соответствующий факторный признак на результативный. Анализ полученной матрицы осуществляется в два этапа:
1. Если в первом столбце матрицы есть коэффициенты корреляции, для которых /r / < 0,5, то соответствующие признаки из модели исключаются. В данном случае в первом столбце матрицы коэффициентов корреляции исключается фактор или коэффициент роста уровня инфляции. Данный фактор оказывает меньшее влияние на результативный признак, нежели оставшиеся четыре признака.
2. Анализируя парные коэффициенты корреляции факторных признаков друг с другом, (r XiXj), характеризующие тесноту их взаимосвязи, необходимо оценить их независимость друг от друга, поскольку это необходимое условие для дальнейшего проведения регрессионного анализа. В виду того, что в экономике абсолютно независимых признаков нет, необходимо выделить, по возможности, максимально независимые. Факторные признаки, находящиеся в тесной корреляционной зависимости друг с другом, называются мультиколлинеарными. Включение в модель мультиколлинеарных признаков делает невозможным экономическую интерпретацию регрессионной модели, так как изменение одного фактора влечет за собой изменение факторов с ним связанных, что может привести к «поломке» модели в целом.
Критерий мультиколлениарности факторов выглядит следующим образом:
/r XiXj / > 0,8
В полученной матрице парных коэффициентов корреляции этому критерию отвечают два показателя, находящиеся на пересечении строк 
и . Из каждой пары этих признаков в модели необходимо оставить один, он должен оказывать большее влияние на результативный признак. В итоге из модели исключаются факторы и , т.е. коэффициент роста себестоимости реализованной продукции и коэффициент роста объёма её реализации.
Итак, в регрессионную модель вводим факторы Х1 и Х2.
Далее осуществляется регрессионный анализ (сервис, анализ данных, регрессия). Вновь составляет таблица исходных данных с факторами Х1 и Х2. Регрессия в целом используется для анализа воздействия на отдельную зависимую переменную значений независимых переменных (факторов) и позволяет корреляционную связь между признаками представить в виде некоторой функциональной зависимости называемой уравнением регрессии или корреляционно-регрессионной моделью.
В результате регрессионного анализа получаем результаты расчета многомерной регрессии. Проанализируем полученные результаты.
Все коэффициенты регрессии значимы по критерию Стьюдента. Коэффициент множественной корреляции R составил 0,925, квадрат этой величины (коэффициент детерминации) означает, что вариация результативного признака в среднем на 85,5% объясняется за счет вариации факторных признаков, включенных в модель. Коэффициент детерминированности характеризует тесноту взаимосвязи между совокупностью факторных признаков и результативным показателем. Чем ближе значение R-квадрат к 1, тем теснее взаимосвязь. В нашем случае показатель, равный 0,855, указывает на правильный подбор факторов и на наличие взаимосвязи факторов с результативным показателем.
Рассматриваемая модель адекватна, поскольку расчетное значение F-критерия Фишера существенно превышает его табличное значение (F набл =52,401; F табл =1,53).
В качестве общего результата проведенного корреляционно-регрессионного анализа выступает множественное уравнение регрессии, которое имеет вид:
Полученное уравнение регрессии отвечает цели корреляционно-регрессионного анализа и является линейной моделью зависимости балансовой прибыли предприятия от двух факторов: коэффициента роста производительности труда и коэффициента имущества производственного назначения.
На основании полученной модели можно сделать вывод о том, что при увеличении уровня производительности труда на 1% к уровню предыдущего периода величина балансовой прибыли возрастет на 0,95 п.п.; увеличение же коэффициента имущества производственного назначения на 1% приведет к росту результативного показателя на 27,9 п.п. Слелдовательно, доминирующее влияние на рост балансовой прибыли оказывает увеличение стоимости имущества производственного назначения (обновление и рост основных средств предприятия).
По множественной регрессионной модели выполняется многофакторный прогноз результативного признака. Пусть известно, что Х1 = 3,0, а Х3 = 0,7. Подставим значения факторных признаков в модель, получим Упр = 0,95*3,0 + 27,9*0,7 – 19,4 = 2,98. Таким образом, при увеличении производительности труда и модернизации основных средств на предприятии балансовая прибыль в 1 квартале 2005 г. по отношению к предыдущему периоду (IV квартал 2004 г.) возрастет на 2,98%.
Контрольная работа №2
Вариант№5
Задание1. Используя компьютерные технологии, провести корреляционно-регрессионный анализ исследуемых экономических показателей и построить регрессионную модель………………………..…..3
1.1 Построение корреляционного поля ………………………………………4
1.2 Построение матрицы коэффициентов парной корреляции……………6
1.3 Построение и анализ однофакторных регрессионных моделей линейного и экспонентного вида средствами встроенных функций ТП MS Excel…………………………………………………………………………...6
1.4 Построение линейной однофакторной регрессионной модели……….10
1.5 Выводы………………………………………………………………………15
Задание 2. Используя компьютерные технологии, решить задачи линейного программирования……………………………………………….18
а) Задача оптимального планирования производства……………….19
1. Математическую постановку задачи……………………………………..19
2. Размещение на рабочем листе ТП MS Excel исходных данных, расчёт значений ограничений, расчёт значений целевой функции……………...19
3. Формулировка математической модели задачи в терминах ячеек рабочего листа ТП MS Excel…………………………………………………..20
4. Поиск оптимального решения поставленной задачи средствами надстройки «Поиск решения»………………………………………………..20
5. Анализ результатов………………………………………………………….21
б) Задача оптимизации плана перевозок (транспортная задача)…23
1. Математическую постановку задачи……………………………………..23
2. Размещение данных на рабочем листе ТП MS Excel …………………...24
3. Постановка задачи в терминах рабочего листа Excel для использования утилиты «Поиск решения»….…………………………25
4. Анализ результатов………………………………………………………….26
Список использованной литературы………………………………………..28
Задание 1. Используя компьютерные технологии, провести корреляционно-регрессионный анализ исследуемых экономических показателей и построить регрессионную модель.
В качестве инструментария исследования использовать:
Инструменты надстройки Пакет Анализа ТП MS Excel;
Встроенные функции библиотеки Stats (Statistics) CKM Maple.
Условия задания 1:
По выборочным данным исследовать влияние факторов X1, X2 и Х3 на результативный признак Y.
Построить корреляционное поле и сделать предположение о наличии и типе связи между исследуемыми факторами;
Оценив тесноту связи между исследуемыми факторами, построить многофакторную (однофакторную) линейную регрессионную модель вида Y=f(X1,X2 Х3)или вида Y=f(X).
Оценить:
Адекватность уравнения регрессии по значению коэффициента детерминированности R 2 ;
Значимость коэффициентов уравнения регрессии по t- критерию Стьюдента при заданном уровне доверительной вероятности р=0,05;
Степень случайности связи между каждым факторам Х и признаком Y (критерий Фишера);
Зависимость между показателями Х 1 , Х 2 , Х 3 основных фондов и объемом валовой продукции У предприятия одной из отраслей промышленности характеризуется следующими данными:
Вариант 5
| X 1 | 1.5 | 2.6 | 3.5 | 4.8 | 5.9 | 6.3 | 7.2 | 8.9 | 9.5 | 11.1 | 15.0 |
| X 2 | 10.2 | 15.3 | 18.4 | 20.5 | 24.7 | 25.6 | 27.3 | 28.3 | 29.6 | 30.1 | 31.0 |
| X 3 | 1.1 | 2.3 | 3.5 | 4.1 | 5.7 | 6.6 | 7.3 | 8.5 | 9.8 | 10.1 | 12.0 |
| Y |
Решение задания 1.
Решение задания 1 предполагает.
1. Построение корреляционного поля.
2. Построение матрицы коэффициентов парной корреляции.
3. Построение и анализ однофакторных регрессионных моделей линейного и экспонентного вида средствами встроенных функций ТП MS Excel.
4. Построение линейных однофакторных регрессионных моделей средствами надстройки «Пакет анализа».
5. Выводы.
Построение корреляционного поля.
Разместим таблицу с исходными данными в ячейках A3:D15 рабочего листа Excel.
| Приложение1.1 | |||
| Y | X1 | X2 | X3 |
| 1,5 | 10,2 | 1,1 | |
| 2,6 | 15,3 | 2,3 | |
| 3,5 | 18,4 | 3,5 | |
| 4,8 | 20,5 | 4,1 | |
| 5,9 | 24,7 | 5,7 | |
| 6,3 | 25,6 | 6,6 | |
| 7,2 | 27,3 | 7,3 | |
| 8,9 | 28,3 | 8,5 | |
| 9,5 | 29,6 | 9,8 | |
| 11,1 | 30,1 | 10,1 | |
| ? |
Используя возможности мастера диаграмм ТП MS Excel, построим корреляционное поле, то есть представим графически связь между результирующим признаком Y и каждым из факторов X. Из графиков видно, что между результирующим признаком Y и каждым из факторов X существует прямо пропорциональная зависимость, приближающаяся к линейной.
.
.
Исследуем тесноту и характер связи между факторами.
Построение матрицы коэффициентов парной корреляции.
Используя надстройку «Пакет анализа» ТП MS Excel (Сервис – Анализ данных – Корреляция), построим матрицу коэффициентов парной корреляции. Окно инструмента «Корреляция» представлено на рисунке 1. Матрица коэффициентов парной корреляции представлена на рисунке 2.
Рис.1. –Окно «Корреляция»
Рис.2. – Матрица коэффициентов парной корреляции.
Из этой матрицы видно, что все рассматриваемые факторы X1 – X3 имеют тесную связь с результативным признаком Y. Кроме того, все факторы Х между собой мультиколлинеарны. Поэтому построение многофакторной модели вида Y=f(Х1,Х2,Х3) невозможно.
Коллинеарными являются факторы …
Решение:
Считается, что две переменные явно коллинеарны, т.е. находятся между собой в линейной зависимости, если . В нашей модели только коэффициент парной линейной регрессии между факторами и больше 0,7. 
, значит, факторы и коллинеарны.
4. В модели множественной регрессии определитель матрицы парных коэффициентов корреляции между факторами , и близок к нулю. Это означает, что факторы , и …
мультиколлинеарны
независимы
количественно измеримы
Решение:
Для оценки мультиколлинеарности факторов может использоваться определитель матрицы парных коэффициентов корреляции между факторами. Если факторы не коррелированы между собой, то матрица парных коэффициентов корреляции между факторами была бы единичной. Поскольку все недиагональные элементы 
были бы равны нулю.
, поскольку = = и = = =0.
Если между факторами существует полная линейная зависимость и все коэффициенты парной корреляции равны единице, то определитель такой матрицы равен нулю.
Чем ближе к нулю определитель матрицы межфакторной корреляции, тем сильнее мультиколлинеарность факторов и ненадежнее результаты множественной регрессии. И, наоборот, чем ближе к единице определитель матрицы межфакторной корреляции, тем меньше мультиколлинеарность факторов.
5. Для эконометрической модели линейного уравнения множественной регрессии вида построена матрица парных коэффициентов линейной корреляции (y – зависимая переменная; х (1) , х (2) , х (3) , x (4) – независимые переменные):
Коллинеарными (тесно связанными) независимыми (объясняющими) переменными не являются
…
x (2) и x (3)
x (1) и x (3)
x (1) и x (4)
x (2) и x (4)
Решение:
При построении модели множественной регрессии необходимо исключить возможность существования тесной линейной зависимости между независимыми (объясняющими) переменными, которая ведет к проблеме мультиколлинеарности. При этом осуществляют проверку коэффициентов линейной корреляции для каждой пары независимых (объясняющих) переменных. Эти значения отражены в матрице парных коэффициентов линейной корреляции. Считается, что наличие значений коэффициентов парной корреляции между объясняющими переменными, превышающих по абсолютной величине 0,7, отражает тесную связь между этими переменными (теснота связи с переменной y в данном случае не рассматривается). Такие независимые переменные называются коллинеарными. Если значение коэффициента парной корреляции между объясняющими переменными не превышает по абсолютной величине 0,7, то такие объясняющие переменные не являются коллинеарными. Рассмотрим значения парных коэффициентов межфакторной корреляции: между x (1) и x (2) значение равно 0,45; между x (1) и x (3) – равно 0,82; между x (1) и x (4) – равно 0,94; между x (2) и x (3) – равно 0,3; между x (2) и x (4) – равно 0,7; между x (3) и x (4) – равно 0,12. Таким образом, не превышают 0,7 значения , , . Следовательно, коллинеарными не являются факторы x (1) и x (2) , x (2) и x (3) , x (3) и x (4) . Из последних перечисленных пар в вариантах ответов присутствует пара x (2) и x (3) – это верный вариант ответа. Для остальных пар: x (1 и x (3) , x (1) и x (4) , x (2) и x (4) – значения парных коэффициентов межфакторной корреляции превышают 0,7, и эти факторы являются коллинеарными.
Тема 3: Фиктивные переменные
1. Дана таблица исходных данных для построения эконометрической регрессионной модели:
Фиктивными переменными не являются
…
стаж работы
производительность труда
уровень образования
уровень квалификации работника
Решение:
При построении регрессионной модели может возникнуть ситуация, когда необходимо включить в уравнение помимо количественных переменных переменные, отражающие некоторые атрибутивные признаки (пол, образование, регион и т.п.). Такого рода качественные переменные называются «фиктивными» (dummy) переменными. Для построения указанной в постановке задания модели используются фиктивные переменные: уровень образования и уровень квалификации работника. Остальные переменные не являются фиктивными, из предложенных вариантов это стаж работы и производительность труда.
2. При исследовании зависимости потребления мяса от уровня дохода и пола потребителя можно рекомендовать …
использовать фиктивную переменную – пол потребителя
разделить совокупность на две: для потребителей женского пола и для потребителей мужского пола
использовать фиктивную переменную – уровень дохода
исключить из рассмотрения пол потребителя, так как данный фактор нельзя измерить количественным образом
Решение:
При построении регрессионной модели может возникнуть ситуация, когда необходимо включить в уравнение помимо количественных переменных переменные, отражающие некоторые атрибутивные признаки (пол, образование, регион и т.п.). Такого рода качественные переменные называются «фиктивными» (dummy) переменными. Они отражают неоднородность исследуемой статистической совокупности и используются для более качественного моделирования зависимостей в таких неоднородных объектах наблюдения. При моделировании отдельных зависимостей по неоднородным данным можно также воспользоваться способом разделения всей совокупности неоднородных данных на несколько отдельных совокупностей, количество которых равно количеству состояний dummy-переменной. Таким образом правильными вариантами ответов являются: «использовать фиктивную переменную – пол потребителя» и «разделить совокупность на две: для потребителей женского пола и для потребителей мужского пола».
3. Изучается зависимость цены квартиры (у
) от ее жилой площади (х
) и типа дома. В модель включены фиктивные переменные, отражающие рассматриваемые типы домов: монолитный, панельный, кирпичный. Получено уравнение регрессии: ,
где 
, 
Частными уравнениями регрессии для кирпичного и монолитного являются …
для типа дома кирпичный 
для типа дома монолитный 
для типа дома кирпичный 
для типа дома монолитный 
Решение:
Требуется узнать частное уравнение регрессии для кирпичного и монолитного домов. Для кирпичного дома значения фиктивных переменных следующие , . Уравнение примет вид: или для типа дома кирпичный.
Для монолитного дома значения фиктивных переменных следующие , . Уравнение примет вид
или для типа дома монолитный.
| - | y | x 1 | x 2 | x 3 |
| y | 1 | r yx1 | r yx2 | r yx3 |
| x 1 | r x1y | 1 | r x1x2 | r x1x3 |
| x 2 | r x2y | r x2x1 | 1 | r x2x3 |
| x 3 | r x3y | r x3x1 | r x3x2 | 1 |
Вставьте в поле матрицу парных коэффициентов.
Пример . По данным 154 сельскохозяйственных предприятий Кемеровской области 2003 г. изучить эффективность производства зерновых (табл. 13).
- Определите факторы, формирующие рентабельность зерновых в сельскохозяйственных предприятий в 2003 г.
- Постройте матрицу парных коэффициентов корреляции. Установите, какие факторы мультиколлинеарны.
- Постройте уравнение регрессии, характеризующее зависимость рентабельности зерновых от всех факторов.
- Оцените значимость полученного уравнения регрессии. Какие факторы значимо воздействуют на формирование рентабельности зерновых в этой модели?
- Оцените значение рентабельности производства зерновых в сельскохозяйственном предприятии № 3.
Решение получаем с помощью калькулятора Уравнение множественной регрессии :
1. Оценка уравнения регрессии.
Определим вектор оценок коэффициентов регрессии. Согласно методу наименьших квадратов, вектор получается из выражения:
s = (X T X) -1 X T Y
Матрица X
| 1 | 0.43 | 2.02 | 0.29 |
| 1 | 0.87 | 1.29 | 0.55 |
| 1 | 1.01 | 1.09 | 0.7 |
| 1 | 0.63 | 1.68 | 0.41 |
| 1 | 0.52 | 0.3 | 0.37 |
| 1 | 0.44 | 1.98 | 0.3 |
| 1 | 1.52 | 0.87 | 1.03 |
| 1 | 2.19 | 0.8 | 1.3 |
| 1 | 1.8 | 0.81 | 1.17 |
| 1 | 1.57 | 0.84 | 1.06 |
| 1 | 0.94 | 1.16 | 0.64 |
| 1 | 0.72 | 1.52 | 0.44 |
| 1 | 0.73 | 1.47 | 0.46 |
| 1 | 0.77 | 1.41 | 0.49 |
| 1 | 1.21 | 0.97 | 0.88 |
| 1 | 1.25 | 0.93 | 0.91 |
| 1 | 1.31 | 0.91 | 0.94 |
| 1 | 0.38 | 2.08 | 0.27 |
| 1 | 0.41 | 2.05 | 0.28 |
| 1 | 0.48 | 1.9 | 0.32 |
| 1 | 0.58 | 1.73 | 0.38 |
| 1 | 0 | 0 | 0 |
Матрица Y
| 0.22 |
| 0.67 |
| 0.79 |
| 0.42 |
| 0.32 |
| 0.24 |
| 0.95 |
| 1.05 |
| 0.99 |
| 0.96 |
| 0.73 |
| 0.52 |
| 2.1 |
| 0.58 |
| 0.87 |
| 0.89 |
| 0.91 |
| 0.14 |
| 0.18 |
| 0.27 |
| 0.37 |
| 0 |
Матрица X T
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 0.43 | 0.87 | 1.01 | 0.63 | 0.52 | 0.44 | 1.52 | 2.19 | 1.8 | 1.57 | 0.94 | 0.72 | 0.73 | 0.77 | 1.21 | 1.25 | 1.31 | 0.38 | 0.41 | 0.48 | 0.58 | 0 |
| 2.02 | 1.29 | 1.09 | 1.68 | 0.3 | 1.98 | 0.87 | 0.8 | 0.81 | 0.84 | 1.16 | 1.52 | 1.47 | 1.41 | 0.97 | 0.93 | 0.91 | 2.08 | 2.05 | 1.9 | 1.73 | 0 |
| 0.29 | 0.55 | 0.7 | 0.41 | 0.37 | 0.3 | 1.03 | 1.3 | 1.17 | 1.06 | 0.64 | 0.44 | 0.46 | 0.49 | 0.88 | 0.91 | 0.94 | 0.27 | 0.28 | 0.32 | 0.38 | 0 |
Умножаем матрицы, (X T X)
Находим определитель det(X T X) T = 34.35
Находим обратную матрицу (X T X) -1
| 0.6821 | 0.3795 | -0.2934 | -1.0118 |
| 0.3795 | 9.4402 | -0.133 | -14.4949 |
| -0.2934 | -0.133 | 0.1746 | 0.3204 |
| -1.0118 | -14.4949 | 0.3204 | 22.7272 |
Вектор оценок коэффициентов регрессии равен
s = (X T X) -1 X T Y =
| 0.1565 |
| 0.3375 |
| 0.0043 |
| 0.2986 |
Уравнение регрессии (оценка уравнения регрессии)
Y = 0.1565 + 0.3375X 1 + 0.0043X 2 + 0.2986X 3
Матрица парных коэффициентов корреляции
Число наблюдений n = 22. Число независимых переменных в модели ровно 3, а число регрессоров с учетом единичного вектора равно числу неизвестных коэффициентов. С учетом признака Y, размерность матрицы становится равным 5. Матрица, независимых переменных Х имеет размерность (22 х 5). Матрица Х T Х определяется непосредственным умножением или по следующим предварительно вычисленным суммам.Матрица составленная из Y и X
| 1 | 0.22 | 0.43 | 2.02 | 0.29 |
| 1 | 0.67 | 0.87 | 1.29 | 0.55 |
| 1 | 0.79 | 1.01 | 1.09 | 0.7 |
| 1 | 0.42 | 0.63 | 1.68 | 0.41 |
| 1 | 0.32 | 0.52 | 0.3 | 0.37 |
| 1 | 0.24 | 0.44 | 1.98 | 0.3 |
| 1 | 0.95 | 1.52 | 0.87 | 1.03 |
| 1 | 1.05 | 2.19 | 0.8 | 1.3 |
| 1 | 0.99 | 1.8 | 0.81 | 1.17 |
| 1 | 0.96 | 1.57 | 0.84 | 1.06 |
| 1 | 0.73 | 0.94 | 1.16 | 0.64 |
| 1 | 0.52 | 0.72 | 1.52 | 0.44 |
| 1 | 2.1 | 0.73 | 1.47 | 0.46 |
| 1 | 0.58 | 0.77 | 1.41 | 0.49 |
| 1 | 0.87 | 1.21 | 0.97 | 0.88 |
| 1 | 0.89 | 1.25 | 0.93 | 0.91 |
| 1 | 0.91 | 1.31 | 0.91 | 0.94 |
| 1 | 0.14 | 0.38 | 2.08 | 0.27 |
| 1 | 0.18 | 0.41 | 2.05 | 0.28 |
| 1 | 0.27 | 0.48 | 1.9 | 0.32 |
| 1 | 0.37 | 0.58 | 1.73 | 0.38 |
| 1 | 0 | 0 | 0 | 0 |
Транспонированная матрица.
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 0.22 | 0.67 | 0.79 | 0.42 | 0.32 | 0.24 | 0.95 | 1.05 | 0.99 | 0.96 | 0.73 | 0.52 | 2.1 | 0.58 | 0.87 | 0.89 | 0.91 | 0.14 | 0.18 | 0.27 | 0.37 | 0 |
| 0.43 | 0.87 | 1.01 | 0.63 | 0.52 | 0.44 | 1.52 | 2.19 | 1.8 | 1.57 | 0.94 | 0.72 | 0.73 | 0.77 | 1.21 | 1.25 | 1.31 | 0.38 | 0.41 | 0.48 | 0.58 | 0 |
| 2.02 | 1.29 | 1.09 | 1.68 | 0.3 | 1.98 | 0.87 | 0.8 | 0.81 | 0.84 | 1.16 | 1.52 | 1.47 | 1.41 | 0.97 | 0.93 | 0.91 | 2.08 | 2.05 | 1.9 | 1.73 | 0 |
| 0.29 | 0.55 | 0.7 | 0.41 | 0.37 | 0.3 | 1.03 | 1.3 | 1.17 | 1.06 | 0.64 | 0.44 | 0.46 | 0.49 | 0.88 | 0.91 | 0.94 | 0.27 | 0.28 | 0.32 | 0.38 | 0 |
Матрица A T A.
| 22 | 14.17 | 19.76 | 27.81 | 13.19 |
| 14.17 | 13.55 | 15.91 | 16.58 | 10.56 |
| 19.76 | 15.91 | 23.78 | 22.45 | 15.73 |
| 27.81 | 16.58 | 22.45 | 42.09 | 14.96 |
| 13.19 | 10.56 | 15.73 | 14.96 | 10.45 |
Полученная матрица имеет следующее соответствие:
Найдем парные коэффициенты корреляции.
Для y и x 1
Средние значения
Дисперсия
Коэффициент корреляции
Для y и x 2
Уравнение имеет вид y = ax + b
Средние значения
Дисперсия
Среднеквадратическое отклонение
Коэффициент корреляции
Для y и x 3
Уравнение имеет вид y = ax + b
Средние значения
Дисперсия
Среднеквадратическое отклонение
Коэффициент корреляции
Для x 1 и x 2
Уравнение имеет вид y = ax + b
Средние значения
Дисперсия
Среднеквадратическое отклонение
Коэффициент корреляции
Для x 1 и x 3
Уравнение имеет вид y = ax + b
Средние значения
Дисперсия
Среднеквадратическое отклонение
Коэффициент корреляции
Для x 2 и x 3
Уравнение имеет вид y = ax + b
Средние значения
Дисперсия
Среднеквадратическое отклонение
Коэффициент корреляции
Матрица парных коэффициентов корреляции.
| - | y | x 1 | x 2 | x 3 |
| y | 1 | 0.62 | -0.24 | 0.61 |
| x 1 | 0.62 | 1 | -0.39 | 0.99 |
| x 2 | -0.24 | -0.39 | 1 | -0.41 |
| x 3 | 0.61 | 0.99 | -0.41 | 1 |
Анализ первой строки этой матрицы позволяет произвести отбор факторных признаков, которые могут быть включены в модель множественной корреляционной зависимости. Факторные признаки, у которых r yxi < 0.5 исключают из модели.
Коллинеарность – зависимость между факторами. В качестве критерия мультиколлинеарности может быть принято соблюдение следующих неравенств:
r(x j y) > r(x k x j) ; r(x k y) > r(x k x j).
Если одно из неравенств не соблюдается, то исключается тот параметр x k или x j , связь которого с результативным показателем Y оказывается наименее тесной.
3. Анализ параметров уравнения регрессии.
Перейдем к статистическому анализу полученного уравнения регрессии: проверке значимости уравнения и его коэффициентов, исследованию абсолютных и относительных ошибок аппроксимации
Для несмещенной оценки дисперсии проделаем следующие вычисления:
Несмещенная ошибка e = Y - X*s (абсолютная ошибка аппроксимации)
| -0.18 |
| 0.05 |
| 0.08 |
| -0.08 |
| -0.12 |
| -0.16 |
| -0.03 |
| -0.24 |
| -0.13 |
| -0.05 |
| 0.06 |
| -0.02 |
| 1.55 |
| 0.01 |
| 0.04 |
| 0.04 |
| 0.03 |
| -0.23 |
| -0.21 |
| -0.15 |
| -0.1 |
| -0.16 |
s e 2 = (Y - X*s) T (Y - X*s)
Несмещенная оценка дисперсии равна
Оценка среднеквадратичного отклонения равна
Найдем оценку ковариационной матрицы вектора k = a*(X T X) -1
| 0.26 | 0.15 | -0.11 | -0.39 |
| 0.15 | 3.66 | -0.05 | -5.61 |
| -0.11 | -0.05 | 0.07 | 0.12 |
| -0.39 | -5.61 | 0.12 | 8.8 |
Дисперсии параметров модели определяются соотношением S 2 i = K ii , т.е. это элементы, лежащие на главной диагонали
С целью расширения возможностей содержательного анализа модели регрессии используются частные коэффициенты эластичности , которые определяются по формуле:
Частные коэффициент эластичности E 1 < 1. Следовательно, его влияние на результативный признак Y незначительно.
Частные коэффициент эластичности E 2 < 1. Следовательно, его влияние на результативный признак Y незначительно.
Частные коэффициент эластичности E 3 < 1. Следовательно, его влияние на результативный признак Y незначительно.
Тесноту совместного влияния факторов на результат оценивает индекс множественной корреляции (от 0 до 1)
Связь между признаком Y факторами X умеренная
Коэффициент детерминации
R 2 = 0.62 2 = 0.38
т.е. в 38.0855 % случаев изменения х приводят к изменению y. Другими словами - точность подбора уравнения регрессии - средняя
Значимость коэффициента корреляции
По таблице Стьюдента находим Tтабл
T табл (n-m-1;a) = (18;0.05) = 1.734
Поскольку Tнабл > Tтабл, то отклоняем гипотезу о равенстве 0 коэффициента корреляции. Другими словами, коэффициента корреляции статистически - значим
Интервальная оценка для коэффициента корреляции (доверительный интервал)
Доверительный интервал для коэффициента корреляции
r(0.3882;0.846)
5. Проверка гипотез относительно коэффициентов уравнения регрессии (проверка значимости параметров множественного уравнения регрессии).
1) t-статистика
Статистическая значимость коэффициента регрессии b 0 не подтверждается
Статистическая значимость коэффициента регрессии b 1 не подтверждается
Статистическая значимость коэффициента регрессии b 2 не подтверждается
Статистическая значимость коэффициента регрессии b 3 не подтверждается
Доверительный интервал для коэффициентов уравнения регрессии
Определим доверительные интервалы коэффициентов регрессии, которые с надежность 95% будут следующими:
(b i - t i S i ; b i + t i S i)
b 0: (-0.7348;1.0478)
b 1: (-2.9781;3.6531)
b 2: (-0.4466;0.4553)
b 3: (-4.8459;5.4431)
2) F-статистика. Критерий Фишера
Fkp = 2.93
Поскольку F < Fkp, то коэффициент детерминации статистически не значим и уравнение регрессии статистически ненадежно.
6. Проверка на наличие гетероскедастичности методом графического анализа остатков.
В этом случае по оси абсцисс откладываются значения объясняющей переменной X i , а по оси ординат квадраты отклонения e i 2 .
| y | y(x) | e=y-y(x) | e 2 |
| 0.22 | 0.4 | -0.18 | 0.03 |
| 0.67 | 0.62 | 0.05 | 0 |
| 0.79 | 0.71 | 0.08 | 0.01 |
| 0.42 | 0.5 | -0.08 | 0.01 |
| 0.32 | 0.44 | -0.12 | 0.02 |
| 0.24 | 0.4 | -0.16 | 0.03 |
| 0.95 | 0.98 | -0.03 | 0 |
| 1.05 | 1.29 | -0.24 | 0.06 |
| 0.99 | 1.12 | -0.13 | 0.02 |
| 0.96 | 1.01 | -0.05 | 0 |
| 0.73 | 0.67 | 0.06 | 0 |
| 0.52 | 0.54 | -0.02 | 0 |
| 2.1 | 0.55 | 1.55 | 2.41 |
| 0.58 | 0.57 | 0.01 | 0 |
| 0.87 | 0.83 | 0.04 | 0 |
| 0.89 | 0.85 | 0.04 | 0 |
| 0.91 | 0.88 | 0.03 | 0 |
| 0.14 | 0.37 | -0.23 | 0.05 |
| 0.18 | 0.39 | -0.21 | 0.04 |
| 0.27 | 0.42 | -0.15 | 0.02 |
| 0.37 | 0.47 | -0.1 | 0.01 |
| 0.16 | -0.16 | 0.02 |