ПРИМЕНЕНИЕ МОДЕЛЕЙ МНОЖЕСТВЕННОЙ РЕГРЕССИИ
В ЭКОНОМЕТРИЧЕСКИХ ИССЛЕДОВАНИЯХ
Подходы по формированию уравнений множественной регрессии
Множественная регрессия – это уравнение связи с несколькими независимыми переменными, т.е.
(4.1)
где y – зависимая переменная (результативный признак);
x1, x2, …, xn - независимые переменные (факторы).
Для построения уравнения множественной регрессии чаще всего используются следующие функции:
линейная –
степенная – (4.2)
экспонента –
гипербола – .
Для оценки параметров уравнения множественной регрессии также используется МНК, сущность которого заключается в составлении системы нормальных уравнений, их преобразований и последующего нахождения параметров регрессии.
На практике часто используют другой подход по определению параметров множественной регрессии, сущность которого заключается в построении на начальном этапе исследования уравнения регрессии в стандартизированной форме и дальнейших его преобразований в ходе последующих этапов.
Уравнение множественной регрессии в стандартизованной форме имеет вид:
, (4.3)
где - стандартизованные переменные;
- стандартизованные коэффициенты регрессии.
|
|
Особенностью уравнения вида (4.3) является то, что к нему применимы положения метода наименьших квадратов.
Стандартизованные коэффициенты регрессии определяются из следующей системы уравнений:
(4.4)
………………………………………………………….
где ryx1, ryx2,… ryxn, rx1x2, rx3x2,… rxnx1 – частные коэффициенты линейной корреляции;
(4.5)
Связь коэффициентов множественной регрессии bi со стандартизованными коэффициентами βi описывается соотношением:
(4.6)
где σxi, σy – средние квадратические отклонения соответственно факторов xi и результативного фактора y.
Из выражения (4.6) получаем формулу перехода от коэффициентов βi к коэффициентам bi, необходимую для построения уравнений регрессии в естественной форме
(4.7)
Параметр a применительно к уравнению множественной линейной регрессии (4.2) определяется по формуле (4.8):
. (4.8)
Таким образом, на основе проведенных вычислений определяются все составляющие уравнения множественной регрессии в естественной форме (4.2)
.
|
|
Оценка тесноты взаимосвязи факторов множественной регрессии
Тесноту совместного влияния факторов на результат оценивает индекс множественной корреляции (Ryx1x2…xn), для определения которого используется выражение (4.9):
(4.9)
Кроме того, используя рекуррентные выражения (4.10)-(4.12), могут дополнительно рассчитываться частные коэффициенты множественной корреляции, которые оценивают влияние фактора xi на y при неизменном уровне других:
(4.10)
(4.11)
(4.12)
где ryx1x2, ryx2x1, rx2x1y– частные коэффициенты множественной корреляции (показывают степень влияния одного фактора x на результативный фактор y при фиксированном значении другого фактора x, а также степень влияния одного фактора x на другой фактор x при фиксированном значении результативного фактора y). Значения частные коэффициентов множественной корреляции изменяются в пределах от -1 до + 1.
Для характеристики относительной силы влияния факторов xi на y могут рассчитываться средние (частные) коэффициенты эластичности (4.13), показывающие, на сколько % в среднем изменится анализируемый показатель (у) с изменением на 1% каждого фактора при фиксированном значении других факторов:
|
|
(4.13)
С целью оценки адекватности модели также используют общий критерий Фишера (F-критерий), проверяющий основную гипотезу (H0) о статической значимости уравнения множественной регрессии и показателя тесноты связи (Ryx1x2…xn). Для этого используется формула (4.14):
(4.14)
где m - число независимых факторов регрессии (для примера 4.1 m = 2 (x1, x2);
По таблицам F – критерия (приложение А) находится значение Fтабл
(4.15)
где - число коэффициентов (параметров) уравнения регрессии ( =3 (a, b1, b2).
Основная гипотеза(H0) принимается, если Fтабл < Fрасч; в этом случае с вероятностью p = 1 – = 0,95 делается заключение о статистической значимости уравнения в целом и показателя тесноты связи Ryx1x2…xn, которые сформировались под воздействием факторов x1, x2,… xn.
Частные F-критерии - Fx1 и Fx2 оценивают статическую значимость присутствия факторов x1 и x2 в уравнении множественной регрессии. Кроме того, Fx1 оценивает целесообразность включения в уравнение фактора x1 после того, как в него был включен фактор x2. Соответственно Fx2 указывает на целесообразность включения в модель фактора x2 после фактора x1.
|
|
Расчетные значения частных критериев определяются по формулам (4.16) и (4.17):
(4.16)
(4.17)
(4.18)
В данном случае основная гипотеза(H0) принимается(является статистически значимой) такжепри условии, что Fтабл < Fрасч.
Примечание: при обосновании объема исследуемой выборки (n) считается оптимальным наличие 6-7 точек наблюдения на каждый фактор уравнения множественной регрессии.
Ниже приведены примеры применения многомерного корреляционно – регрессионного анализа.
Дата добавления: 2018-05-12; просмотров: 341; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!