1. Оценка уравнения регрессии
![]()
|
Частные коэффициенты эластичности. С целью расширения возможностей содержательного анализа модели регрессии используются частные коэффициенты эластичности, которые определяются по формуле: ![]() ![]() ![]() Частный коэффициент эластичности показывает, насколько процентов в среднем изменяется признак-результат у с увеличением признака-фактора хj на 1% от своего среднего уровня при фиксированном положении других факторов модели. ![]() ![]() ![]() ![]() ![]() Частный коэффициент эластичности |E1| < 1. Следовательно, его влияние на результативный признак Y незначительно. ![]() ![]() ![]() ![]() ![]() Частный коэффициент эластичности |E2| < 1. Следовательно, его влияние на результативный признак Y незначительно. Стандартизированные частные коэффициенты регрессии. Стандартизированные частные коэффициенты регрессии - β-коэффициенты (βj) показывают, на какую часть своего среднего квадратического отклонения S(у) изменится признак-результат y с изменением соответствующего фактора хj на величину своего среднего квадратического отклонения (Sхj) при неизменном влиянии прочих факторов (входящих в уравнение). По максимальному βj можно судить, какой фактор сильнее влияет на результат Y. По коэффициентам эластичности и β-коэффициентам могут быть сделаны противоположные выводы. Причины этого: а) вариация одного фактора очень велика; б) разнонаправленное воздействие факторов на результат. Коэффициент βj может также интерпретироваться как показатель прямого (непосредственного) влияния j-ого фактора (xj) на результат (y). Во множественной регрессии j-ый фактор оказывает не только прямое, но и косвенное (опосредованное) влияние на результат (т.е. влияние через другие факторы модели). Косвенное влияние измеряется величиной: ∑βirxj,xi, где m - число факторов в модели. Полное влияние j-ого фактора на результат равное сумме прямого и косвенного влияний измеряет коэффициент линейной парной корреляции данного фактора и результата - rxj,y. Так для нашего примера непосредственное влияние фактора x1 на результат Y в уравнении регрессии измеряется βj и составляет 0.591; косвенное (опосредованное) влияние данного фактора на результат определяется как: rx1x2β2 = 0.937 ∙ 0.389 = 0.364 Сравнительная оценка влияния анализируемых факторов на результативный признак. 5. Сравнительная оценка влияния анализируемых факторов на результативный признак производится: - средним коэффициентом эластичности, показывающим на сколько процентов среднем по совокупности изменится результат y от своей средней величины при изменении фактора xi на 1% от своего среднего значения; - β–коэффициенты, показывающие, что, если величина фактора изменится на одно среднеквадратическое отклонение Sxi, то значение результативного признака изменится в среднем на β своего среднеквадратического отклонения; - долю каждого фактора в общей вариации результативного признака определяют коэффициенты раздельной детерминации (отдельного определения): d2i = ryxiβi. d21 = 0.96∙0.591 = 0.565 d22 = 0.94∙0.389 = 0.366 При этом должно выполняться равенство: ∑{d{\sub i}2} = R2 = 0.931 Множественный коэффициент корреляции (Индекс множественной корреляции). ![]() ![]() Коэффициент множественной корреляции можно определить через матрицу парных коэффициентов корреляции: ![]() ![]() ![]() где Δr - определитель матрицы парных коэффициентов корреляции; Δr11 - определитель матрицы межфакторной корреляции. ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() Коэффициент множественной корреляции ![]() ![]() ![]() ![]() ![]() Аналогичный результат получим при использовании других формул: ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() Связь между признаком Y и факторами Xi сильная Расчёт коэффициента корреляции выполним, используя известные значения линейных коэффициентов парной корреляции и β-коэффициентов. ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() Коэффициент детерминации R2 = 0.931 Коэффициент детерминации. R2= 0.9652 = 0.9313 Более объективной оценкой является скорректированный коэффициент детерминации: ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() Чем ближе этот коэффициент к единице, тем больше уравнение регрессии объясняет поведение Y. Добавление в модель новых объясняющих переменных осуществляется до тех пор, пока растет скорректированный коэффициент детерминации. 5. Проверка гипотез относительно коэффициентов уравнения регрессии (проверка значимости параметров множественного уравнения регрессии). Число v = n - m - 1 называется числом степеней свободы. Считается, что при оценивании множественной линейной регрессии для обеспечения статистической надежности требуется, чтобы число наблюдений, по крайней мере, в 3 раза превосходило число оцениваемых параметров. 1) t-статистика Tтабл (n-m-1;α/2) = (17;0.025) = 2.458 ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() Статистическая значимость коэффициента регрессии b0 подтверждается. ![]() ![]() ![]() ![]() ![]() Статистическая значимость коэффициента регрессии b1 подтверждается. ![]() ![]() ![]() ![]() ![]() Статистическая значимость коэффициента регрессии b2 не подтверждается. Доверительный интервал для коэффициентов уравнения регрессии. Определим доверительные интервалы коэффициентов регрессии, которые с надежность 95% будут следующими: (bi - ti∙Sbi; bi + ti∙Sbi) b0: (1.472 - 2.458∙0.557 ; 1.472 + 2.458∙0.557) = (0.103;2.84) b1: (0.777 - 2.458∙0.238 ; 0.777 + 2.458∙0.238) = (0.191;1.363) b2: (0.143 - 2.458∙0.0667 ; 0.143 + 2.458∙0.0667) = (-0.0212;0.307) 6. Проверка общего качества уравнения множественной регрессии. F-статистика. Критерий Фишера. ![]() ![]() ![]() Проверим гипотезу об общей значимости - гипотезу об одновременном равенстве нулю всех коэффициентов регрессии при объясняющих переменных: H0: R2 = 0; β1 = β2 = ... = βm = 0. H1: R2 ≠ 0. Проверка этой гипотезы осуществляется с помощью F-статистики распределения Фишера (правосторонняя проверка). Если F < Fkp = Fα ; n-m-1, то нет оснований для отклонения гипотезы H0. ![]() ![]() ![]() ![]() ![]() ![]() ![]() Табличное значение при степенях свободы k1 = 2 и k2 = n-m-1 = 20 - 2 - 1 = 17, Fkp(2;17) = 3.59 Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно (т.е. коэффициенты bi совместно значимы). Оценка значимости дополнительного включения фактора (частный F-критерий). Необходимость такой оценки связана с тем, что не каждый фактор, вошедший в модель, может существенно увеличить долю объясненной вариации результативного признака. Это может быть связано с последовательностью вводимых факторов (т. к. существует корреляция между самими факторами). Мерой оценки значимости улучшения качества модели, после включения в нее фактора хj, служит частный F-критерий – Fxj: ![]() ![]() ![]() где m – число оцениваемых параметров. В числителе - прирост доли вариации у за счет дополнительно включенного в модель фактора хj. Если наблюдаемое значение Fxj больше Fkp, то дополнительное введение фактора xj в модель статистически оправдано. Частный F-критерий оценивает значимость коэффициентов «чистой» регрессии (bj). Существует взаимосвязь между частным F-критерием - Fxj и t-критерием, используемым для оценки значимости коэффициента регрессии при j-м факторе: ![]() ![]() ![]() ![]() ![]() Оценим с помощью частного F-критерия: 1) целесообразность включения в модель регрессии факторов х1 после введения хj (Fx1). Определим наблюдаемое значение частного F-критерия: ![]() ![]() ![]() ![]() ![]() R2(x2,xn) = r2(x2) = 0.94262 = 0.888 Fkp(k1=1;k2=17) = 4.45 Сравним наблюдаемое значение частного F-критерия с критическим: Fx1>4.45, следовательно, фактор х1 целесообразно включать в модель после введения фактора х2. 2) целесообразность включения в модель регрессии факторов х2 после введения хj (Fx2). Определим наблюдаемое значение частного F-критерия: ![]() ![]() ![]() ![]() ![]() R2(x1,xn) = r2(x1) = 0.95542 = 0.913 Сравним наблюдаемое значение частного F-критерия с критическим: Fx2>4.45, следовательно, фактор х2 целесообразно включать в модель после введения фактора х1. Выводы. В результате расчетов было получено уравнение множественной регрессии: Y = 1.4718 + 0.7767X1 + 0.1427X2. Возможна экономическая интерпретация параметров модели: увеличение X1 на 1 ед.изм. приводит к увеличению Y в среднем на 0.777 ед.изм.; увеличение X2 на 1 ед.изм. приводит к увеличению Y в среднем на 0.143 ед.изм. По максимальному коэффициенту β1=0.591 делаем вывод, что наибольшее влияние на результат Y оказывает фактор X1. Статистическая значимость уравнения проверена с помощью коэффициента детерминации и критерия Фишера. Установлено, что в исследуемой ситуации 93.13% общей вариабельности Y объясняется изменением факторов Xj. Установлено также, что параметры модели статистически не значимы. Решение было получено и оформлено с помощью сервиса: Уравнение множественной регрессии Вместе с этой задачей решают также: Уравнение парной линейной регрессии Выявление тренда методом аналитического выравнивания Уравнение нелинейной регрессии Проверка на автокорреляцию Системы эконометрических уравнений Метод статистических уравнений зависимостей |