Презентация на тему Множественный регрессионный анализ

n наблюдений за совместным изменением параметров y, xj и

((yi,xj,i); j=1, 2, ..., p; i=1, 2, ..., n) необходимо определить аналитическую зависимость ŷ = f(x1,x2,...,xp), наилучшим образом описывающую данные наблюдений.

Критерий качества
выбранной зависимости:

модель
Требования к отбираемым факторам
Факторы не должны быть взаимно коррелированы

Факторы должны быть количественно измеримы

целесообразность включения каждого нового фактора оценивается с помощью коэффициента детерминации;
при возникновении необходимости добавить в уравнение качественный фактор вводится «фиктивная» переменная

Пример:
y – себестоимость единицы продукции
x – заработная плата работника
z – производительность труда

т.е. находятся между собой в линейной зависимости, если коэффициент

интеркорреляции (корреляции между двумя объясняющими переменными) ≥ 0,7.
Если факторы явно коллинеарны, то они дублируют друг друга и один из них рекомендуется исключить из уравнения.

Мультиколлинеарность – линейная зависимость между более чем двумя переменными, т.е. совокупное воздействие факторов друг на друга.

причинам:
затрудняется интерпретация параметров множественной регрессии; параметры линейной регрессии

теряют экономический смысл;
оценки параметров не надежны, имеют большие стандартные ошибки и меняются с изменением количества наблюдений (не только по величине, но и по знаку), что делает модель непригодной для анализа и прогнозирования.

коэффициентов интеркорреляции:
(!) Если факторы не коррелируют между собой, то

матрица коэффициентов интеркорреляции является единичной, поскольку в этом случае все недиагональные элементы равны 0.
Например, для уравнения с тремя переменными

и все коэффициенты корреляции равны 1, то определитель такой

матрицы равен 0.

Чем ближе к 0 определитель матрицы коэффициентов интеркорреляции, тем сильнее мультиколлинеарность и ненадежнее результаты множественной регрессии.
Чем ближе к 1 определитель матрицы коэффициентов интеркорреляции, тем меньше мультиколлинеарность факторов.

нескольких факторов;
переход к совмещенным уравнениям регрессии, т.е. к уравнениям,

которые отражают не только влияние факторов, но и их взаимодействие. Например,
если , то можно построить следующее совмещенное уравнение:

переход к уравнениям приведенной формы (в уравнение регрессии подставляется рассматриваемый фактор, выраженный из другого уравнения).

регрессии
Степенная регрессия


Экспоненциальная регрессия


Гиперболическая регрессия

(P) и дохода (I) характеризуется следующим уравнением: Qd = 2,5

- 0,12P + 0,23 I. Коэффициенты данного уравнения говорят о том, что при увеличении цены на единицу, спрос уменьшится в среднем на 0,12 единиц, а при увеличении дохода на единицу, спрос возрастет в среднем 0,23 единицы.

Например, зависимость выпуска продукции Y от затрат капитала K и труда L:

говорит о том, что увеличение затрат капитала K на 1% при неизменных затратах труда вызывает увеличение выпуска продукции Y на 0,23%. Увеличение затрат труда L на 1% при неизменных затратах капитала K вызывает увеличение выпуска продукции Y на 0,81%.

систему уравнений:

– определитель
системы:

∆a, ∆b1, ∆bp – частные определители (∆j) , которые получаются из основного определителя путем замены j-го столбца на столбец свободных членов

стандартизованные коэффициенты β
Уравнение регрессии в стандартизованном (нормированном) масштабе:



где

, - стандартизованные
переменные
β - стандартизованные коэффициенты регрессии.
β-коэффициенты показывают, на сколько сигм (средних квадратических отклонений) изменится в среднем результат за счет изменения соответствующего фактора xi на одну сигму при неизменном среднем уровне других факторов.

с коэффициентами βi описывается соотношением:
или
Параметр a определяется как:

Коэффициенты β определяются при помощи МНК из следующей системы уравнений методом определителей:

не значимо

yi

= ŷi + εi

D(y) = D(ŷ) + D(ε)

уравнении
регрессии;

n – число единиц совокупности.

Если Fфакт > Fтабл, то Н0 о случайной природе связи отклоняется и признается статистическая значимость и надежность уравнения.
Если Fфакт < Fтабл, то Н0 не отклоняется и признается статистическая незначимость уравнения регрессии.