Вот Алексей рассмотрим понятие агрессия как она вычисляется для чего вообще нужен регрессионный анализ регрессия это в теории вероятностей математической статистики математическое выражение отражающие зависимость переменной Y от независимых переменных X при условии что это выражение будет иметь статистическую значимость существует такое понятие как уравнения регрессии это Форма связи результативного признака Y X2 и так далее да xn в качестве примера можно привести влияние например затрат на рекламу на объёма продаж Можно даже построить в большинстве случаев строится функциональная зависимость объёма продаж от или ещё один пример влияние различных факторов на объём продаж например мороженого Как пример Какие факторы могут влиять ото температура например воздуха в летний период естественно мороженое Когда стоит жара Продаётся в зимней меньшее вот можно построить даже такой вот функциональную зависимость Ну конечно же кроме температуры воздуха влияет ещё и много других параметров это различные экономические показатели также и другие линейный регрессионный анализ это такое прогнозирование которое описывается линейной взаимосвязью между исследуемыми переменными в линейной взаимосвязи здесь вот на слайде показано игрек равно B нулевое + B 1 Я не сказал про прогнозирование на самом деле регрессионный анализ Он служит в частности одна из его задача это прогноз например мы можем построить какую-либо зависимость например опять же если взять тот же говорил это влияние затрат на рекламу на объёма продаж если мы построим вот зависимость зависимость функциональную зависимость объёма продаж от затрат на рекламу получим вот примеру вот такую вот функцию зависимость и подставляя любое значение их можем получить значение Y при наличии такой вот функции мы можем прогнозировать прогнозировать продажи кроме линейных зависимостей могут быть любые другие например степенная параболическая логарифмическая экспоненциальная и другие регрессия может быть парной или множественное в зависимости от числа взаимосвязанных признаков парное исследуется откуда исследуется связь признаками результативным и факторном то есть когда от от одной переменной X зависит переменная Y то есть мы например рассматриваем влияние например температура воздуха Как там будет на одном из следующих на объемы продаж мороженого Но на самом деле мы можем учесть как я уже тоже говорил не только температура воздуха но и вложение например в рекламу какие-то Может быть там действия конкурентов так далее учитываем Значит все вот эти несколько факторов и в таком случае мы рассматриваем уже множественное или многофакторного регрессию Тоесть регрессия между тремя или более признаками Как проводится регрессионное можно выделить три три этапа регрессионного анализа первый этап Это задание аналитическая форма уравнения регрессии и определения параметров регрессии второй этап это определение в регрессии степени страха нативного признака и факторов проверка общего качества уравнения регрессии а третий этап Это проверка статистической значимости каждого коэффициента уравнения регрессии и определение их доверительных интервалов Вот на этом слайде как раз таки и представлены исходные данные для регрессионного для регрессионного анализа продаж мороженого именно представлены на среднемесячная температура и объёма продаж по какой-то которая занимается производством и продажей мороженого и вот здесь представлена уже регрессионная статистика множественный R То есть это коэффициент который в случае простой линейной регрессии равен обычно коэффициент корреляции коэффициент корреляции Пирсона Мы видим что вот в данном случае этот коэффициент достаточно большой почти 0,8 то есть Это говорит о том что связь между температурой и температурой высокая Ну на практике очень часто используется критерий р квадрат Мы видим что он тоже достаточно большой и мы видим стандартную ошибку количество наблюдений нас всего 11 на практике конечно же используется для Вот это копицентр квадрат на котором я сказал он рассчитывается по формуле которая здесь представлена Квадрат это множественный коэффициент детерминации его ещё называют квадратом коэффициента множество и он определяет долю вариации результативного признака обусловленную изменением факторных признаков которые входят в многофакторная регрессионная модель здесь показана коэффициента вычисленные Стандарт статистика коэффициенты являются коэффициентами уравнение линейной регрессии в данном случае а если мы построим построим это уравнение линейной регрессии мы увидим что увидим именно вот эта линейную зависимость линейный Ну и вот она эта зависимость показана графически зависимость объемов продаж в тысячах рублей от среднемесячной температуры в градусах Цельсия Мы видим что зависимость близка к линейной далее мы раз пример уже в программе Microsoft Excel рассмотрим влияние производительности труда и инфляции на прирост заработной платы рассмотрим это на примере регрессионного анализа именно построим уравнение множественной вычислим коэффициент коэффициент регрессии оценка среднеквадратического отклонения откроем файл регрессия и вот Видимо у нас есть данные конкретно цифры видим что при производительности труда 3,5 инфляция завтра заработной платы составил 9% Посмотрим как будет выглядеть у нас параметры коэффициент регрессии для того чтобы их вычислить перейдем в раздел данные анализ данных выберем анализ данных выбираем теперь входной интервал X указываем оба параметра все значения и производительности труда и инфляция нажимаем кнопочку OK указывают предварительно указываем где будем размещать результата в данном учим листе Нажимаю кнопочку OK и получаем вот такие вот значения такие вот параметры Мы видим что что коэффициент индекс множественной корреляции которая оценивает тесноту совместного влияния факторов на результат это множественное р-он равен 0,96 в отличие от парного коэффициента корреляции которые значение множественное может принимать только значения от нуля до единицы при значении р близком к единице уравнения регрессии лучше описывает фактические данные и факторы сильнее влияют на результат при значении не регрессе плохо описывает фактические данные и факторы оказывают слабое воздействие на результат в данном случае мы видим что воздействие на результат оказывается достаточно сильная и мы получили здесь СНТ коэффициента парной статистике это и есть коэффициент нужного нам уравнение регрессии то есть мы можем написать Y = там 0,5 526000 + 1 целых 401,48 X и это уже и будет у нас в нашем уравнением регрессии на этом всё спасибо за внимание |
Скачать 14.88 Kb.