Проверка достоверности разбиения на классы
21. Факторный анализ. Назначение. Ключевые понятия. Методы.
Фактор- скрытая причина согласованной изменчивости признака.
Факторная структура – основной результат применения факторного анализа ( табличка)
Общность факторов – часть дисперсии переменной, объясняемой главными компонентами ( факторами), вычисляется как сумма квадратов нагрузок по строке.
Интерпретация факторов – Одна из основных задач факторного анализа. Её решение заключается в идентификации факторов через исходные переменные
Факторные нагрузки –аналоги коэффициентовкорреляции, показывают степень взаимосвязи советующих переменных и факторов
Этапы факторного анализа. Проблема числа факторов. Вращение факторов.
1. выбор исходных данных
2. Решение проблемы числа факторов:
Матрица интеркорреляций исходных признаков обрабатывается с использованием анализа главных компонент.
Применяется критерий отсеивания Кеттелла и Кайзера – величины собственного значения фактора, большего 1.
3. Факторизация матрицы интеркорреляций.
4.Вращение факторов и их предварительная интерпретация:
Выбирается один из аналитических методов вращения факторов – варимакс-вращение.
В результате вращения достигается факторная структура .наиболее доступная для интерпретации при данном соотношении переменных и факторов.
|
|
Интерпретация факторов производится по таблице факторных нагрузок после вращения в следующем порядке. По каждой переменной выделяется наибольшая по абсолютной величине нагрузка – как доминирующая. Если вторая по величине нагрузка в строке отличается от уже выделенной менее чем на 0,2, то и она является второстепенной.
После просмотра всех строк начинаю просмотр всех столбцов (факторов).
По каждому фактору выписывают наименования переменных, имеющих наибольшие нагрузки по этому фактору – выделенных на предыдущем шаге. Учитывается знак факторной нагрузки переменной. Если отрицательный, это отмечается как противоположный плюс переменной.
После просмотра каждому присваивается наименование, обобщающее по смыслу включенные в него переменные.
5. Принятие решения о качестве факторной структуры.
6.Вычисление факторных коэффициентов и оценок.
Вопрос 23
Регрессионный анализ - метод моделирования измеряемых данных и исследования их свойств. Данные состоят из пар значений зависимой переменной (переменной отклика) и независимой переменной (объясняющей переменной). Регрессионная модель есть функция независимой переменной и параметров с добавленной случайной переменной.
|
|
Регрессионный анализ - это метод установления аналитического выражения стохастической зависимости между исследуемыми признаками. Уравнение регрессии показывает, как в среднем изменяется у при изменении любого из xi, и имеет вид:
где у - зависимая переменная (она всегда одна);
хi - независимые переменные (факторы) (их может быть несколько).
Если независимая переменная одна - это простой регрессионный анализ. Если же их несколько (п 2), то такой анализ называется многофакторным.
В ходе регрессионного анализа решаются две основные задачи:
построение уравнения регрессии, т.е. нахождение вида зависимости между результатным показателем и независимыми факторамиx1, x2, …, xn.
оценка значимости полученного уравнения, т.е. определение того, насколько выбранные факторные признаки объясняют вариацию признака у.
Применяется регрессионный анализ главным образом для планирования, а также для разработки нормативной базы.
В отличие от корреляционного анализа, который только отвечает на вопрос, существует ли связь между анализируемыми признаками, регрессионный анализ дает и ее формализованное выражение. Кроме того, если корреляционный анализ изучает любую взаимосвязь факторов, то регрессионный - одностороннюю зависимость, т.е. связь, показывающую, каким образом изменение факторных признаков влияет на признак результативный.
|
|
Регрессионный анализ - один из наиболее разработанных методов математической статистики. Строго говоря, для реализации регрессионного анализа необходимо выполнение ряда специальных требований (в частности, xl,x2,...,xn; y должны быть независимыми, нормально распределенными случайными величинами с постоянными дисперсиями). В реальной жизни строгое соответствие требованиям регрессионного и корреляционного анализа встречается очень редко, однако оба эти метода весьма распространены в экономических исследованиях. Зависимости в экономике могут быть не только прямыми, но и обратными и нелинейными. Регрессионная модель может быть построена при наличии любой зависимости, однако в многофакторном анализе используют только линейные модели вида:
Построение уравнения регрессии осуществляется, как правило, методом наименьших квадратов, суть которого состоит в минимизации суммы квадратов отклонений фактических значений результатного признака от его расчетных значений, т.е.:
где т - число наблюдений;
|
|
j = a + b1x1j + b2x2j+ ... + bnхnj - расчетное значение результатного фактора.
Коэффициенты регрессии рекомендуется определять с помощью аналитических пакетов для персонального компьютера или специального финансового калькулятора. В наиболее простом случае коэффициенты регрессии однофакторного линейного уравнения регрессии вида y = а + bх можно найти по формулам:
Статистическими проблемами регрессионного анализа являются:
‑ получение наилучших точечных и интервальных оценок неизвестных параметров регрессии;
‑ проверка гипотез относительно этих параметров;
‑ проверка адекватности предполагаемой модели.
Достоинства
Простота вычислительных алгоритмов.
Наглядность и интерпретируемостьрезультатов (для линейной модели).
Недостатки
Невысокая точность прогноза(в основном - интерполяция данных).
Субъективный характер выбора вида конкретнойзависимости (формальная подгонка модели под эмпирический материал).
Отсутствие объяснительной функции (невозможность объяснения причинно-следственной связи).
Дата добавления: 2019-09-02; просмотров: 194; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!